知识卡片

普通读书笔记卡 · 9816.b · 生成模型:DeepSeek-V4.1-Flash

用隐式反馈补评分缺口

理解等级:高级

纯 SVD 只用显式评分训练,但显式评分远比隐式行为稀少:愿意主动打分的用户是少数,大量用户只浏览、点击、收藏而不评分,冷启动因此更严重。SVD++ 的做法是在用户向量的表达里加入两类额外信息:

1)隐式反馈项:把用户 u 有过行为的物品集合记作 N(u),对集合中每个物品取隐向量 x_i,求和后除以 |N(u)| 的平方根做归一化,作为“这个用户实际碰过什么”的补充; 2)用户属性项:对属性集合 A(u) 中每个属性 a 取隐向量 y_a 相加。

于是预测变为 pu + |N(u)|^(−1/2)·Σ{i∈N(u)} xi + Σ{a∈A(u)} y_a 与 q_i 的内积。这样即使某个用户评分很少,只要点击、浏览记录多,向量仍能被“撑起来”。

代价:一是要为隐式物品和属性各维护一套隐向量,参数和训练开销都增加;二是隐式行为的语义需要定义(一次曝光算不算兴趣?);三是噪声会被放大——误点、爬虫流量会直接污染用户表示,通常需要对行为做去噪或时长加权。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第8章 推荐系统的主要算法(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0106.html) - 结论依据:原文点明显式反馈少于隐式反馈、冷启动严重这一前提,SVD++ 正是把隐式行为与用户属性并入预测函数的应对方案。 - 原始内容:前面已经讲到了推荐系统中的用户冷启动问题。比如,主动点评电影或者美食的用户少,显示反馈比隐式反馈少,此时可以考虑利用用户行为的隐式反馈来弥补。