隱反饋

隱反饋是指不直接表現用戶傾向的歷史數據，如轉發微博、瀏覽網站或購買商品等

基本介紹

• 中文名：隱反饋
• 外文名：Implicit Feedback
• 分類：推薦模型

定義

構造推薦系統的關鍵資源是用戶歷史行為數據，具體可分為兩類：顯式反饋和隱式反饋。其中，隱反饋是指不直接表現用戶傾向的歷史數據，如轉發微博、瀏覽網站或購買商品等。

基於隱反饋的推薦

基於隱式反饋進行推薦的難點在於缺乏顯式的負例，即我們明確地知道用戶喜歡什麼但不清楚用戶不喜歡什麼。目前,解決這一困難的主要思路是引入負例，有3 種策略：

1. 利用套用環境的特殊性，人為設定規則從而指定負例。

2. 從未選擇的產品中隨機抽樣作為負例，這類策略假設未被用戶選擇的產品中絕大多數是用戶不會去選擇的，因此通過隨機抽樣得到的產品可以假定為負例。

3. 將所有未選擇的產品都作為負例，但設定一個相對小的置信度(權值)，這種策略希望藉助於這一權值來控制這些引入的不確定負例的影響。

事實上，這些方法在引入負例的同時都無可避免地引入了噪聲，因為無法保證這些引入的負例中不存在潛在的正例(用戶在將來會選擇的產品)。但對傳統的推薦模型來說，引入負例又勢在必行，因為只有這樣才能利用“未選擇”信息。本質上,無論是隨機抽樣還是設定權值，都是在利用“未選擇”信息與控制引入噪聲中尋求平衡。