模型
Determinantal Point Process（行列式点过程）
Determinantal Point Process（DPP）是一种概率模型，用于从集合中选取具有多样性的子集，解决推荐、摘要等任务中结果冗余的问题。DPP 通过行列式度量子集内元素的相似性，使多样且高质量的子集概率更高，代表工作包括 Netflix 的多样化推荐和视频摘要。
详细解释
DPP 定义在有限集合上，对于子集 Y，其概率与核矩阵 L 的子矩阵行列式成正比：P(Y) ∝ det(L_Y)。L 为半正定矩阵，可分解为质量项和相似度项，从而在概率上惩罚相似元素同时出现。DPP 的归一化常数可通过特征值计算，采样算法如 Kulesza 和 Taskar 的贪婪算法能高效生成多样化子集。DPP 已应用于文档摘要、图像搜索、推荐系统，并扩展为马尔可夫 DPP 和深度 DPP 以处理序列和特征学习。
别名与相关写法
determinantal point process