Machine learning 转换；隐式；用户交互到；明确的；推荐系统的用户评级
我目前正在建立一个包含隐含数据（如点击、浏览、购买）的推荐系统，但我所看到的许多研究似乎都跳过了“聚合隐含数据”这一步。例如，如何将多次点击和超时购买聚合到单个用户评级中（标准矩阵分解模型需要这样做） 我一直在试验几种基于矩阵分解的方法，包括神经协同过滤、深度分解机、LightFM和用于协同过滤的变分自动编码器。这些论文似乎都没有解决聚合隐式数据的问题。他们也没有讨论在计算分数时如何对不同类型的用户事件（如点击与购买）进行加权 目前，我一直在使用信心评分方法（会议评分对应于事件计数），如本文所述：。然而，这种方法不涉及合并其他类型的用户事件（除了点击），也不涉及消极的隐性反馈（例如，大量的点击次数为零的印象）Machine learning 转换；隐式；用户交互到；明确的；推荐系统的用户评级,machine-learning,deep-learning,recommendation-engine,recommender-systems,matrix-factorization,Machine Learning,Deep Learning,Recommendation Engine,Recommender Systems,Matrix Factorization,我目前正在建立一个包含隐含数据（如点击、浏览、购买）的推荐系统，但我所看到的许多研究似乎都跳过了“聚合隐含数据”这一步。例如，如何将多次点击和超时购买聚合到单个用户评级中（标准矩阵分解模型需要这样做） 我一直在试验几种基于矩阵分解的方法，包括神经协同过滤、深度分解机、LightFM和用于协同过滤的变分自动编码器。这些论文似乎都没有解决聚合隐式数据的问题。他们也没有讨论在计算分数时如何对不同类型的用户事件（如点击与购买）进行加权 目前，我一直在使用信心评分方法（会议评分对应于事件计数），如本文所述
不管怎么说，我想了解一下这个话题！任何想法都将不胜感激 有一种建立推荐系统的方法-。我还写了如何使用TensorFlow实现它
对于如何明确传递隐性反馈的问题，没有“正确”的答案。答案将取决于业务需求。如果任务是增加点击率，您应该尝试使用点击。如果您的任务是增加转化率，您需要处理购买。这是一篇优秀的文章，感谢分享！我听说过BPR，我一定会尝试一下。然而，如此多的研究集中在显性评分上，这就是为什么我想尝试找到一些标准化的方法来将隐性评分转换为显性评分。我想最好的方法就是尝试各种计算目标值的方法并比较结果。确切地说，你应该尝试不同的方法并找到一种更适合你的方法。