隐式反馈

概述

推荐系统中通过用户行为（浏览、点击、购买、收藏等）间接推断偏好的信号，与显式评分互补而非替代。

关键内容

1. 定义：隐式反馈指用户在使用系统过程中自然产生的行为数据，如浏览了哪些页面、购买了哪些商品、收藏了哪些内容、在某个页面停留多久等。这些数据不是用户主动给出的评价，但蕴含了偏好信息。
2. 与显式反馈的对比：显式反馈是用户主动给出的评分或评价（如 1-5 星），数据量稀疏但信号明确。隐式反馈数据量大但信号模糊（点击不等于喜欢，可能是误触）。
3. SVD++ 的融合：SVD++ 模型首次将隐式行为信号系统性地融入到矩阵分解框架中。即使用户只给 10 部电影打了分，但他浏览过的 200 部电影同样蕴含着有价值的偏好信号。
4. 建模方式：在 SVD++ 中，用户的"真实表示"不仅由其显式偏好向量 $p_u$ 决定，还由他交互过的所有物品的隐式信号叠加而成：$p_u + |R(u)|^{-1/2} \sum_{j \in R(u)} y_j$。
5. 现代应用：显式反馈和隐式反馈不是二选一的关系，而是互补的信号源。现代推荐系统中点击、浏览、购买等多种行为信号的联合建模，是 SVD++ 思想的推广。

来源

• 04-matrix-factorization-for-recsys.md — 深度解读 Matrix Factorization Techniques for Recommender Systems

相关

• 显式反馈 — 对比概念
• SVD++ — 融合隐式反馈的矩阵分解模型
• 矩阵分解 — 使用隐式反馈的框架