Skip to content

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MovieLensMillion 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 ru,i(如播放次數)拆成兩個量:

量定義意義
偏好 pu,iru,i>0 時為 1,否則為 0使用者是否「喜歡」
信心 cu,i1+α⋅ru,i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