提供个性化推荐，不需要了解用户。
每个推荐系统都是不同的，其中一些比其他的要容易构建得多。想想Netflix。他们对每一部电影都了如指掌，拥有丰富的用户个人数据和大量的用户生成数据：观看次数、评分、观看时间等等。在这个数据丰富的环境中，我们可以肯定可用的数据包含了产生良好模型所需的信息。然而，有时候我们对用户或产品的数据并不多。在这种情况下应该怎么做呢。
隐式反馈
在这种情况下，没有可用的数据来描述我们的用户、产品或用户与产品交互的情感，这被称为隐式反馈。在这种情况下，我们唯一拥有的数据就是每个用户与产品之间的交互次数，例如，给定用户听了给定艺术家的次数。然而，我们不知道他们是否喜欢这些艺术家；没有可用的评分。
隐式反馈数据仅包含每个用户与产品之间交互的次数。
当然，如果有人经常听一支乐队的音乐，我们可以推断他们一定喜欢。但这只是我们的推断。数据本身只提供了交互次数的信息。此外，用户没有听过某个艺术家并不意味着他们不会喜欢，如果他们听了一下也许会喜欢。
隐式反馈场景非常常见，特别是在大型科技公司之外，它们带来了一些挑战。由于缺乏产品特征的数据，我们不能使用基于内容的过滤方法。基于内容的过滤会使用产品特征来找到与用户喜欢的产品类似的产品。
另一种替代方法被称为协同过滤。在这种方法中，我们利用目标用户以及类似用户的过去交互来推荐相关产品。然而，在实施协同过滤时，我们需要注意到缺乏用户与产品交互的情感。