Recommender Systems Foundations: 解释隐式反馈与显式反馈的差异与处理。

Core Concept: 显式是评分/点赞（有负例、但稀疏）；隐式是浏览/点击（无负例、稠密）；隐式需'负采样'与'置信度加权'。

数学机理：<strong>两类反馈</strong>——(1) <strong>显式反馈（explicit）</strong>——用户<strong>主动表达</strong>的偏好：(a) 评分（1~5 星）；(b) 点赞/点踩；(c) 收藏/评分。<strong>特点</strong>——(a) <strong>有明确的负例</strong>（低分就是负反馈）；(b) <strong>非常稀疏</strong>（用户只评价极少数物品，如 <1%）；(c) <strong>有偏</strong>（愿意评分的用户与物品不是随机的——'评分偏置'）；(d) 数据量小。(2) <strong>隐式反馈（implicit）</strong>——用户<strong>行为</strong>隐含的偏好：(a) 点击/浏览；(b) 购买/加购；(c) 停留时长；(d) 分享。<strong>特点</strong>——(a) <strong>只有正例</strong>（用户交互过的）；<strong>没有明确的负例</strong>（未交互 ≠ 不喜欢——可能只是没看到！）；(b) <strong>稠密</strong>（行为数据量大）；(c) 有<strong>多种强度</strong>（点击 < 加购 < 购买）；(d) 有<strong>噪声</strong>（误点击、被标题吸引）。<strong>隐式反馈的处理</strong>——(1) <strong>负采样（negative sampling）</strong>——把'未交互'视为<strong>（弱）负例</strong>；<strong>问题</strong>——(a) <strong>假负例</strong>（用户可能喜欢但没看到）；(b) 负样本的'采样策略'影响效果（随机 vs 热门 vs 难负样本）。(2) <strong>置信度加权（confidence weighting）</strong>——不把'未交互'当'确定的负例'，而是<strong>给不同的置信度</strong>：<strong>iALS（隐式 ALS）</strong> 的做法——(a) 正例（交互过）置信度高（c_ui=1+α·r_ui）；(b) 未交互置信度低但非零（c_ui=1）；(c) 目标：min Σ c_ui(p_ui−⟨p_u,q_i⟩)² + 正则；<strong>优点</strong>——(i) <strong>所有（u,i）对都参与训练</strong>（稠密）；(ii) 未交互只是'弱负'（不是强负）；(iii) 可闭式求解（ALS）。(3) <strong>排序损失（BPR）</strong>——用 pairwise：'交互过的'应排在'未交互的'之前：L=−log σ(⟨p_u,q_i⁺⟩−⟨p_u,q_j⁻⟩)；<strong>优点</strong>——直接优化排序（而非评分）；<strong>缺点</strong>——需采样负例。(4) <strong>多行为融合</strong>——把'点击/加购/购买'作为<strong>不同强度的信号</strong>（加权/多任务）；如'购买'权重高于'点击'。(5) <strong>去噪</strong>——处理误点击（如用停留时长过滤、用'负反馈'信号）。<strong>评估差异</strong>——(a) <strong>显式</strong>——RMSE/MAE（评分预测）；(b) <strong>隐式</strong>——Recall@k/NDCG/MAP（排序）；<strong>注意</strong>——隐式反馈的评估也受'位置偏置'影响（见位置偏置题）。<strong>与其他问题的关系</strong>——(a) 与'负采样'（见稠密检索的难负样本题）；(b) 与'位置偏置'（隐式反馈的偏置更严重）；(c) 与'多目标'（多行为的加权）。<strong>实践建议</strong>——(a) <strong>隐式反馈是主流</strong>（数据量大）；(b) <strong>用置信度加权或 BPR</strong>（而非'把未交互当强负'）；(c) <strong>负采样策略需调</strong>（随机/热门/难负）；(d) <strong>多行为加权</strong>（购买 > 加购 > 点击）；(e) <strong>去噪</strong>（误点击）；(f) <strong>注意位置偏置</strong>（评估与训练都需去偏）。<strong>度量</strong>——(a) 显式：RMSE；(b) 隐式：Recall@k/NDCG；(c) 覆盖率/多样性。

深度剖析与工程权衡：① <strong>'未交互 ≠ 不喜欢'是隐式反馈的核心问题</strong>——故需'置信度加权'（而非当强负例）；面试中能指出这一点是深度理解的标志。② <strong>'iALS 让所有 (u,i) 对都参与训练'</strong>——这是它相比'只对观测值训练'的优势（利用稠密的未交互信息）。③ <strong>'BPR 直接优化排序'</strong>——避免'用评分代理排序'的错配。④ <strong>'多行为加权'很实用</strong>——购买信号强于点击；故应加权或做多任务。⑤ <strong>'隐式反馈的偏置更严重'</strong>——因为'展示偏置'（未交互可能只是没展示）；故去偏更重要。⑥ <strong>面试要点</strong>——被问'隐式 vs 显式反馈'，应给出'<strong>显式有负例但稀疏 / 隐式无负例但稠密 + 处理（负采样/置信度加权/BPR/多行为）</strong>'与'<strong>未交互≠不喜欢</strong>'；能指出'iALS 利用全部 (u,i) 对'是深度理解的标志。