将“隐式”用户交互转换为推荐系统的“显式”用户评分答案

【问题标题】：Converting "Implicit" user interactions to "Explicit" user ratings for recommender systems将“隐式”用户交互转换为推荐系统的“显式”用户评分
【发布时间】：2020-10-20 00:25:00
【问题描述】：

我目前正在使用隐式数据（例如点击、浏览、购买）构建推荐系统，但是我看过的大部分研究似乎都跳过了“聚合隐式数据”的步骤。例如，您如何将多次点击和购买超时汇总到一个用户评分中（这是标准矩阵分解模型所要求的）？

我一直在试验几种基于矩阵分解的方法，包括神经协同过滤、深度分解机器、LightFM 和用于协同过滤的变分自动编码器。这些论文似乎都没有解决聚合隐式数据的问题。他们也没有讨论在计算分数时如何加权不同类型的用户事件（例如点击与购买）。

目前我一直在使用本文所述的置信度评分方法（会议评分对应于事件的计数）：http://yifanhu.net/PUB/cf.pdf。然而，这种方法并没有解决合并其他类型的用户事件（点击除外），也没有解决负面的隐式反馈（例如，零点击的大量展示）。

无论如何，我很想对这个主题有一些见解！任何想法都将不胜感激！

【问题讨论】：

标签： machine-learning deep-learning recommendation-engine recommender-systems matrix-factorization

【解决方案1】：

这里有构建推荐系统的方法 - Bayesian personalized ranking from implicit feedback。我还写了an article，介绍了如何使用 TensorFlow 实现它。

对于如何显式传递隐式反馈的问题没有“正确”的答案。答案将取决于业务需求。如果任务是增加点击率，你应该尝试使用点击。如果任务增加转化率，您需要处理购买。

【讨论】：

这篇文章很棒，感谢分享！我听说过 BPR，我一定会试一试。然而，很多研究都集中在显式评级上，这就是为什么我想尝试找到一些将隐式转换为显式的标准化方法。我想最好的方法就是尝试各种计算目标值的方法并比较结果。
没错，您应该尝试不同的方法并找到一种更适合您的方法。