如何管理多个积极的内隐反馈？

Question

当没有评级时，常见的情况是使用隐式反馈(购买的项目、页面查看、单击、.)提出建议。我正在使用基于模型的方法，我想知道如何处理多个相同的反馈。

举个例子，让我们想象一下，消费者不止一次地购买商品。我是否需要考虑反馈的数量(页面浏览量，购买的物品，.)作为评级还是计算自定义值？

Answer 1

为了建立内隐反馈模型，我们通常有一个映射过程将内隐用户反馈映射到显式评分中。我猜在大多数域中，对同一项重复的用户操作表明用户对该项的偏好正在增加。如果域是音乐或视频推荐，这当然是正确的。在购物网站中，这样的行为可能表明项目是定期消费的，例如尿布或打印机墨水。

我知道建立这个多个隐式反馈模型的一种方法是创建一个数字评级映射函数。当内隐反馈次数(k)增加时，评分的映射值应增加。在k = 1，你有一个最小的正反馈等级，例如0.6；当k增加时，它接近1。当然，你不需要映射到0,1；你可以有整数评级，0,1,2,3,4,5。

为了给出映射的具体示例，下面是他们在音乐推荐域中所做的工作。简而言之，他们使用每个用户项的统计信息来定义映射函数。

我们假设用户听艺术家的次数越多，用户就越喜欢那个特定的艺术家。请注意，用户的听力习惯通常呈现出幂律分布，这意味着一些艺术家在用户配置文件中有大量的播放，而其他艺术家的播放数量则要少得多。因此，我们计算了艺术家播放在用户档案中的互补累积分布。位于分布前80%-100%的艺术家被分配了5分，而在60-80%范围内的艺术家分配了4分。

我在文献中看到的另一种方法是，除了二元评级变量之外，创建另一个变量。他们称其为信心水平。详情请参见这里。

Answer 2

可能对OP没有多大帮助，但可能对处于同一条船上的其他人有帮助。

• 电子商务中各种隐性因素的评价
• 基于补偿集合的隐式偏好指标的用户偏好建模

如果有人知道更多的论文/方法，请分享，因为我目前正在寻找最先进的方法来解决这个问题。提前谢谢。

Answer 3

在隐式反馈系统中，通常使用点击和或事件加权和作为每个用户项对的“得分”。这不是一个等级，这不仅仅是一个语义上的区别。如果您将这些值输入到一个期望评级类似并试图最小化平方错误损失的过程中，您将不会获得好的结果。

您将3次单击视为将1单击的值添加到用户项交互强度的3倍。其他事件，如购买，可能比点击更高的权重。但最终它也会增加一笔钱。