推荐系统需要 serendipity 来激发用户主动探索，避免消费模式单一。现有离线超准确度指标往往只关注历史相似度或全局流行度，难以同时衡量两者与真实用户相关性。为此我们提出 SPADE（Serendipitous Pareto Distance Evaluation），其核心思想是将所有物品映射到二维空间，横轴表示历史相似度，纵轴表示流行度。对每个用户，计算在该空间中同时最大化流行度和相似度的 Pareto 前沿，即不可被其他物品同时在两维上支配的点集合。随后，对测试集中的正确推荐项，求其到前沿的最小欧氏距离，并对所有用户取平均，得到 serendipity 分数。我们在五个公开数据集上对比了五种基线算法，实验表明 SPADE 能有效抑制算法通过无关或非个性化推荐来提升离线指标，能够可靠地捕捉真正的意外发现。
点评：SPADE 将流行度与相似度统一到同一度量空间，通过 Pareto 前沿和欧氏距离实现了对 serendipity 的可解释量化，为离线评估提供了更可靠的工具。