Retroalimentación implícita y mínimos cuadrados alternos

Los sistemas de retroalimentación explícita utilizan calificaciones o juicios de preferencia directos. En cambio, los sistemas de retroalimentación implícita observan comportamientos como clics, tiempo de visualización, compras o guardados. Estos eventos proporcionan evidencia de interés, pero son ruidosos e incompletos: un clic puede ser accidental y ningún clic puede significar que el elemento nunca estuvo expuesto. Tratar cada par de elemento-usuario faltante como un disgusto explícito puede distorsionar el aprendizaje. Un enfoque común de factor latente asigna a cada usuario y artículo un vector y predice la preferencia a partir de su producto interno. La ALS implícita define una preferencia binaria p_ui que indica si se produjo una interacción y una confianza c_ui que es mayor para obtener pruebas más sólidas. Una formulación establece c_ui = 1 + alpha*r_ui para la fuerza observada r_ui y una confianza de referencia para pares no observados. Minimiza un error cuadrático ponderado por confianza más regularización. La codificación exacta y la transformación de fuerza son opciones de modelado. El objetivo combina vectores de usuario y de elementos, por lo que es difícil optimizar directamente todos los factores de forma conjunta. Alternativas de ALS: corrija los vectores de elementos y resuelva el vector de mínimos cuadrados regularizado de cada usuario, luego corrija los vectores de usuario y resuelva las actualizaciones de elementos. Cada subproblema tiene una solución de forma cerrada bajo el objetivo común. Las iteraciones continúan hasta que mejoran u otra regla de detención. Las matrices de interacción dispersas hacen que este enfoque sea práctico porque los pares no observados comparten una línea de base y los eventos observados ajustan la confianza. Los datos de interacción conllevan sesgos de exposición y popularidad. Un usuario no puede interactuar con un elemento que nunca encuentra, y la frecuencia bruta puede sobrevalorar el contenido que ya es popular. La evaluación debe utilizar divisiones que tengan en cuenta el tiempo y métricas de clasificación, al mismo tiempo que se realiza un seguimiento de la cobertura del catálogo, la novedad y los resultados de los usuarios. ALS produce representaciones latentes y puntuaciones de candidatos; no proporciona inherentemente explicaciones o evidencia causal de que una recomendación satisfará al usuario. Incorpore restricciones de elegibilidad, seguridad y frescura por separado y monitoree los cambios en la disponibilidad de artículos y los patrones de comportamiento.