推荐系统中的隐式反馈是指从不涉及显式评级或评论的用户交互中收集的数据。这种类型的反馈是从诸如点击、查看、购买、在网页上花费的时间以及间接指示用户偏好的其他动作之类的行为推断出来的。例如，如果用户频繁地观看特定类型的电影或花费长时间阅读特定文章，则系统可以将这些动作解释为对该内容的偏好的信号，即使用户没有在量表上明确地对其进行评级。
隐式反馈的关键挑战之一是其噪声。与显式反馈不同，在显式反馈中，一到五的评级清楚地定义了用户情绪，而隐式信号的含义可能会有很大差异。例如，用户可能出于好奇而花费数小时观看电影或简单地使标签保持打开。为了抵消这种歧义，推荐系统通常利用基于其上下文不同地权衡交互的算法。例如，与购买相比，简单地查看产品可能会获得较低的权重，因为后者展示了选择该项目的更强意图。
将隐式反馈纳入其推荐系统的开发人员需要实施有效的策略来处理此类数据。可以定制诸如协同过滤或矩阵分解之类的技术，以更好地解释隐式信号。另外，采用置信度水平有助于区分用户偏好的较强和较弱指示。例如，算法可以为完成的购买分配比随意滚动产品列表更高的置信度。通过准确地利用隐式反馈，开发人员可以创建不仅推荐相关内容而且随着时间的推移增强用户参与度的系统。