外觀
Machine Learning › 推薦系統 › 顯性 vs 隱性回饋
顯性 vs 隱性回饋 (Explicit vs Implicit Feedback)
推薦資料的訊號分兩種,建模假設完全不同。
| 顯性回饋 (explicit) | 隱性回饋 (implicit) | |
|---|---|---|
| 例子 | 星等評分、讚 / 倒讚、問卷偏好 | 點擊、瀏覽、停留時間、購買、播放次數 |
| 語意 | 清楚:5 分比 3 分更喜歡 | 模糊:互動不一定是喜歡,沒互動不一定是不喜歡 |
| 負面訊號 | 有(低分) | 幾乎沒有(只有「有互動」) |
| 資料量 | 少(多數人不評分) | 多、更新快 |
| 雜訊 | 較低 | 較高(誤點、自動播放、送禮) |
| 建模目標 | 預測評分(迴歸) | 預測偏好與信心(排序) |
| 範例資料 | MovieLens | Million Song Dataset(播放次數) |
隱性回饋的建模:偏好 + 信心
隱性回饋的 ALS(Hu, Koren & Volinsky, 2008)把每個互動
| 量 | 定義 | 意義 |
|---|---|---|
| 偏好 | 使用者是否「喜歡」 | |
| 信心 | 對這個偏好有多確定;互動越多越有信心 |
和顯性版本的關鍵差別:所有格子(包括沒互動的)都參與訓練,只是沒互動的格子偏好為 0、信心最低。alpha 控制「互動次數」轉換成「信心」的速度;有時對次數先取 log 再乘 α,避免極端值主導。
python
from pyspark.ml.recommendation import ALS
ALS(userCol="userId", itemCol="songId", ratingCol="plays",
implicitPrefs=True, # 切換成偏好 + 信心的目標函數
alpha=40, # 信心縮放;只在 implicitPrefs=True 時有作用
rank=25, regParam=0.05, coldStartStrategy="drop")
implicitPrefs不是小細節,它切換整個目標函數。隱性模型輸出的是偏好分數(用來排序),不是評分預測,所以不能用 RMSE 評估,要用 排序指標。
實務提醒
| 提醒 | 說明 |
|---|---|
| 先想清楚資料代表什麼 | 是偏好,還是只是曝光的痕跡(被推薦了所以點擊) |
| 曝光偏誤 | 使用者只能和「被展示過」的項目互動;沒互動可能只是沒看到 |
| 不同行為權重不同 | 購買 > 加入購物車 > 點擊 > 瀏覽 |
| 去除雜訊 | 過短的停留、機器人流量、重複點擊 |
| 顯性資料也有偏誤 | 會評分的多是極度喜歡或討厭的人 |