当顾客没有明确告诉你他们想要什么时
推荐实际上并不难。你只需要查看顾客对你的产品的评价,例如使用1到5星的评级,然后在此基础上训练一个回归模型。对吗?
好吧,如果我们没有任何数字化的用户或电影特征,我们可能需要处理嵌入。但我们在之前的文章中已经介绍了如何做到这一点:
嵌入式推荐系统简介
学习在TensorFlow中构建简单的矩阵分解推荐系统
towardsdatascience.com
在继续之前,我建议先阅读上面的文章以了解嵌入的相关内容。
隐式反馈
然而,有时候我们没有幸运地获得明确的用户反馈,例如星级评价、点赞或反对等。这在零售业中经常发生,我们知道哪个顾客购买了哪个产品,但不知道他们是否真的喜欢它。我们从顾客那里获得的只有关于他们对产品的隐式兴趣信号。
如果顾客购买(观看,消费,…)产品,就表示他们对它有兴趣。如果没有购买,则可能表示不感兴趣,但也可能只是还不知道该产品。我们无法确定。
这听起来像是一个可以处理的分类问题。兴趣=1,不感兴趣=0。然而,问题在于我们不能确切地知道0(不感兴趣)是否真的是零。也可能是顾客从未有机会购买,但实际上却喜欢它。
让我们回到电影,假设我们没有任何评级。我们只知道哪个用户看过哪部电影。