在为多种类型的产品创建推荐系统时，您如何处理隐式评分中的偏差？

如何解决在为多种类型的产品创建推荐系统时，您如何处理隐式评分中的偏差？

在为零售业务做推荐系统（协同过滤）时，没有实际评分（例如对项目满意 1-10）。

因此，我不使用。每个用户购买某个项目作为隐式评分的次数。但是，这样做可能会在缓慢移动的产品（例如电视）和快速移动的产品（例如薯条、零食）之间产生偏差。客户购买滞销产品的次数远远少于滞销产品。

我的问题是：

1. 有什么比没有更好的吗？客户购买特定商品的次数或访问次数用作评分？
2. 您如何增加权重以帮助减少缓慢移动和快速移动的项目之间的偏差。

感谢您提前回答！

解决方法

尝试回答您的具体问题：

1. 是的，但这取决于您掌握的有关这些物品的其他信息。我试图回答做出一些合理的假设。

2. 我可以假设你有这件物品的费用。您可以按项目的成本进行标准化，以确保减少（不是完全消除）偏差。您可以进行直接归一化 (weighted_rating = implicit_rating * cost per item)。在这里，cost_per_item 服务于 weights 的目的，以减少偏差。或者，您可以通过 binning 或 clustering 所有商品的价格来试验价格组，以形成产品组，从而为您提供 group_mean_price。然后可以将其用作权重。

如果您了解有关该物品的其他信息（例如易腐烂/易耗品/笨重），您可以拥有更多具有代表性的聚类。此后，您可以为每个项目分配 implicit_rating。现在，您可以通过使用组评分的汇总统计数据（例如 implicit_rating）来标准化每个 group_mean_implicit_rating。所以，weighted_rating = implicit_rating/group_mean_implicit_rating