隐式反馈与显式反馈

在构建推荐系统时，收集到的用户与物品交互数据是最为宝贵的资产。然而，并非所有交互都具有相同的含义。用户给电影打五星评价所传达的信号，与用户仅仅观看预告片所传达的信号大不相同。这种差异将用户反馈分为两个基本类别：显式反馈和隐式反馈。理解两者之间的区别是后续选择算法和评估方法的基础。

显式反馈

显式反馈由用户提供的关于其对物品偏好的直接、有意且明确的信息组成。它是用户兴趣最直接的体现，因为用户在准确地告诉系统他们的感受。

显式反馈的常见例子包括：

• 星级评分： 用户给电影打出 1 到 5 星的评分。
• 评论： 通常包含数字分数的文字反馈。
• 点赞和踩： 视频或歌曲上的“大拇指向上”或“大拇指向下”等二元信号。

显式反馈的主要优点是质量高。5 星评分是明确的正向信号，而 1 星评分则是明确的负面信号，几乎没有误解的空间。

然而，显式反馈面临的主要挑战是稀疏性。大多数用户并不会对他们接触过的大多数物品进行评分。这导致推荐系统中常用的数据结构——用户-物品交互矩阵——大部分是空白的。仅依靠显式反馈意味着可用的高质量数据量有限，这使得为评分较少的用户或新物品生成推荐变得困难。

以下是显式反馈数据的典型表示方式：

用户ID	电影ID	评分
1	110	4.0
1	231	5.0
2	480	5.0
3	110	2.0

隐式反馈

隐式反馈不是由用户直接提供的信息，而是从其行为中推断出来的。这些是用户与系统交互时收集到的被动信号。与显式反馈不同，隐式信号并不是偏好的直接陈述。

隐式反馈的常见例子包括：

• 查看物品： 点击产品详情页。
• 购买历史： 购买某件产品。
• 观看时长： 用户观看视频的时间长短。
• 搜索查询： 用户搜索的关键词。
• 加入购物车： 即使没有购买，也将物品放入购物车。
• 滚动或悬停： 用户在页面上滚动的距离，或光标在某个项目上停留的时间。

隐式反馈的主要优点是其丰富性。收集点击和查看行为比说服用户留下评分要容易得多。这种海量数据有助于解决显式反馈系统中固有的稀疏性问题。

主要缺点是模糊性。隐式信号存在噪声且难以解读。例如：

• 用户点击某个产品是因为喜欢它，还是点错了？
• 用户购买某件商品是为了送给品味不同的其他人吗？
• 如果用户没有点击某个项目，是因为他们不喜欢，还是仅仅因为没看到？

缺乏交互并不是一个可靠的负面信号。我们可以确信购买代表了正向偏好，但不能确信没有购买就代表负向偏好。在使用隐式数据时，缺乏明确的负面反馈是一个核心挑战。

从用户动作到显式和隐式数据信号的流转过程。

两种反馈类型的比较

在选择使用显式数据、隐式数据还是两者结合时，会对系统设计产生重大影响。由于数据获取方便，大多数现代推荐系统严重依赖隐式信号，但它们可能会使用显式信号来增强或验证模型。

特性	显式反馈	隐式反馈
信号质量	高。明确的用户偏好指示。	低。存在噪声且含糊不清。
数据量	稀疏。用户很少提供直接反馈。	丰富。每次用户交互都可以是一个信号。
负面信号	明确。低评分表示不喜欢。	不明确。缺乏交互不代表不喜欢。
收集方式	需要用户的主动投入。	被动且自动地收集。

对建模的影响

所处理的反馈类型会直接影响建模方法。

• 显式反馈通常被视为评分预测问题。目标是构建一个模型，预测用户对尚未见过的物品会给出的评分。模型的性能通常使用准确率指标来衡量，如均方根误差 (RMSE) 或平均绝对误差 (MAE)，这些内容将在第 5 章中讲解。

• 隐式反馈通常被设定为物品排序问题。由于没有评分可以预测，目标是根据用户与物品交互的可能性对物品列表进行排序。模型会预测一个置信度分数或交互概率，成功的衡量标准是 Precision@k、平均精度均值 (MAP) 和 NDCG 等排序指标，这些也将在第 5 章中介绍。

总之，区分显式反馈和隐式反馈不仅仅是简单的数据分类。它定义了要解决的问题、可以应用的算法以及衡量成功的指标。随着课程的进行，你将看到不同的算法是如何针对每种反馈类型的独特属性而设计的。