具有隐式反馈的矩阵因子分解是推荐系统中使用的一种技术,用于基于隐式交互来发现影响用户偏好的潜在因素。隐式反馈是指根据用户的行为而不是显式评级来指示用户兴趣的数据。例如,点击、查看、购买或花费在项目上的时间可以作为用户偏好的指示符,即使用户没有直接对项目进行评级。这种方法在用户不提供明确评级的情况下特别有用,允许系统仍然生成个性化推荐。
矩阵分解背后的基本思想是在低维空间中表示用户和项目。这是通过分解用户-项目交互矩阵来完成的,其中每一行代表一个用户,每一列代表一个项目。在隐式反馈场景中,矩阵通常是二进制的或交互的计数,而不是具有填充有分数 (诸如评级) 的矩阵。例如,如果用户已经购买了物品,则矩阵中的该条目将反映交互 (通常为1),而缺少购买可能被标记为0。通过应用矩阵分解,我们可以为用户和项目提取潜在特征,使我们能够预测矩阵中缺失的条目,并根据用户过去行为推断出的偏好向用户推荐项目。
开发人员通常会使用诸如交替最小二乘 (ALS) 或随机梯度下降 (SGD) 之类的算法来实现矩阵分解技术。在实践中,推荐系统可以基于用户与项目目录的不同交互来对用户进行简档。例如,如果用户频繁地观看动作电影,则系统可以基于从矩阵分解导出的相似度得分来识别该用户可能喜欢其他动作电影。最佳结果是一组根据用户的历史行为量身定制的建议,通过个性化内容交付显着提高了用户参与度和满意度。