一个memory-based协同过滤算法的改进（基于隐式评分）

先来看定义。“显示评分”俗称打分，如Netflix中允许用户给每部电影打1-5分，豆瓣电影也允许用户给电影评星级（很差—力荐）。而“隐式评分”是指用户的浏览记录，购买记录之类的0-1评分（用binary数值0表示没有浏览/购买，1表示浏览/购买过）；或者是带有count的信息：浏览/购买过几次。

可以看到，隐式评分不能反映用户对一个物品的喜好。如果评分r_ij为0，不能代表用户i不喜欢物品j，可能只是因为用户还没发现这个物品。反之，虽然r_ij > 0也不能完全表示用户喜欢物品j，但一般情况下还是成立的。换句话说，隐式评分只能捕捉positive信息。这个不同于显示评分，对于类似0-5的显示评分，0标示用户最negative的偏好（厌恶），5反应用户最positive的偏好（力荐）。因此显示评分能完整地捕捉到两方面的信息。

进而 [15]指出，带有count的隐式评分可以捕捉用户喜欢一个物品的置信度：用户完整地看了3次电影A，那么很可能用户喜欢电影A；反之，用户电影B只看了一半，则他很可能不喜欢B。因此，[15]将一个用户喜欢任何物品的置信度预设为1（因为隐式评分为0也可能是喜欢的），然后再根据观察到的历史行为次数相应提高置信度。大家知道，优化 quadrat