推荐系统中的新颖性是指推荐用户以前未遇到过但仍与其兴趣相关的商品的能力。 它的意义在于解决纯粹以准确性驱动的推荐的局限性，后者通常优先考虑热门或熟悉的商品。 随着时间的推移，仅推荐可预测的内容会导致用户参与度降低，因为相同的建议会变得重复。 新颖性通过引入多样性来打破这种循环，保持用户的兴趣，并发现可能无法通过传统推荐策略浮出水面的隐藏偏好。
实施新颖性需要在相关性与探索之间取得平衡。 例如，音乐流媒体服务可能会依赖协作过滤来推荐与用户最喜欢的歌曲相似的歌曲。 但是，添加新颖性可能涉及推荐来自同一流派或相邻流派中不太知名的艺术家的曲目。 诸如偶然性指标或混合模型（例如，将协作过滤与基于内容的过滤相结合）之类的技术通常用于实现此目的。 例如，Netflix 的“因为你观看过”部分有时会包含意想不到的流派或国际片名，这引入了新颖性，同时保持了与用户历史记录的某种联系。 开发人员还可以使用强化学习来偶尔优先考虑探索性推荐，以牺牲短期参与度为代价来换取长期用户满意度。
但是，必须仔细校准新颖性。 过分强调它可能会导致无关的建议，让用户感到沮丧。 例如，电子商务平台纯粹因为它们是“新的”而推荐不相关的利基产品可能会损害信任。 诸如多样性得分、新颖项目的点击率和用于用户保留的 A/B 测试等指标有助于评估有效性。 开发人员通常使用诸如探索-利用策略之类的技术，其中一小部分推荐用于测试新颖项目。 最终，目标是维护一个反馈循环，系统通过用户与新颖建议的交互来学习，随着时间的推移改进它们与经过验证的推荐的平衡。 这种平衡确保系统既有用又具有吸引力。