当没有评级时，一种常见的情况是使用隐式反馈（购买的商品、页面浏览、点击等）来建议建议我正在使用基于模型的方法，我想知道如何处理多个相同的反馈。
举个例子，假设消费者不止一次购买商品我应该把反馈的数量（页面浏览量，购买的商品，…）作为一个评级还是计算一个自定义值？
最佳答案
为了建立隐式反馈模型，我们通常有一个映射过程将隐式用户反馈映射到显式评分中。我想在大多数域中，用户对同一项的重复操作表明用户对该项的偏好正在增加。
如果域名是音乐或视频推荐，这当然是正确的。在购物网站中，这样的行为可能表示该商品是定期消费的，例如尿布或打印机墨水。
我知道的一种方法是创建一个数值评分映射函数来模拟这种多重隐式反馈当内隐反馈次数（k）增加时，评分映射值应增加在k = 1时，正面反馈的评分最低，例如0.6；当k增加时，它接近1当然，您不需要映射到[0,1]；您可以有整数额定值，0,1,2,3,4,5。
为了给你一个映射的具体例子，这里是他们在music recommendation域中所做的简而言之，他们使用每个用户项的统计信息来定义映射函数。
我们假设
用户听过艺术家的次数越多
喜欢那个特别的艺术家。注意用户的听力习惯
通常呈现幂律分布，也就是说
艺术家在用户配置文件中有很多剧本，而其他的
其中的艺术家的表演次数明显减少。因此，
我们计算了
艺术家在用户配置文件中播放。位于顶部的艺术家
80-100%的分布被分配5分，而
60-80%范围内的艺术家评分为4分
我在文献中看到的另一种方法是在二进制评级变量之外创建另一个变量。他们称之为信心水平详见here。
关于algorithm - 如何管理多个积极的隐式反馈？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/25122798/