协同过滤中显性反馈 与 隐性反馈 的区别（附ALS最优化）

协同过滤中显性反馈 与 隐性反馈 的区别

1. 特质上的区别

显性反馈行为：用户明确表示对物品喜好的行为。
隐性反馈行为：不能明确反映用户喜好的行为。

隐性反馈的特性

1. 没有负反馈。隐性反馈无法判断是否不喜欢。而显性反馈，明显能区分是喜欢还是不喜欢。
2. 先天性具有噪声。用户购买了某物品，并不代表他喜欢，也许是送礼，也许买了之后发现不喜欢。
3. 显性反馈数值代表偏好程度，隐性反馈数值代表置信度。隐性反馈的数值通常是动作的频次，频次越多，并不代表偏好值越大。比如一个用户经常看某部连续剧，可能该用户对该连续剧的喜好值一般，只是因为每周都播，所以动作频次很大，假如该用户对某部电影超级喜欢，但可能就看过一次，因此动作频次大并不反应偏好值大。从这个用户经常看这部连续剧这个行为，只能推断出该用户喜欢这连续剧有很大的置信度，但这个用户对这个连续剧的偏好值是多少我们无法评估。
4. 隐性行为需要近似评估。

2. 两反馈在数据在处理上的区别

case 1 [参考《recommender Systems Handbook》第五章]

损失函数：

$$\Large RMSE = \sqrt{\frac{ \sum_{(u,i) \in TestSet }(r_{ui}-\hat r_{ui})^2}{|TestSet|}}$$
其中 $\hat r_{ui}$ 如下：

$$\hat r_{ui} = \mu + b_i + b_u + q_i^T(p_u+ |R(u)|^{-\frac12} \sum_{j \in R(u) } y_j)$$
其中：
1. $P_u$ 为显性反馈所代表的部分
2. $|R(u)|^{-\frac12} \sum_{j \in R(u) } y_j$ 为隐性反馈所代表的部分
3. $R(u)$ 用户u评价过的商品集合
3. $y$ 是一个item行rank列的矩阵

• $b_u ←b_u+γ · (e_{ui}−λ5 · b_u)$
• $b_i ←b_i+γ · (e_{ui}−λ5 · b_i)$
• $q_i ←q_i+γ · (e_{ui} · (p_u+|R(u)|^{-\frac 12} \sum_{j \in R(u)} y_j)−λ_6 · q_i)$
• pu←pu+γ⋅(eui