Implicit Feedback

Implicit feedback — основной язык production RecSys

В реальных продуктах пользователь редко ставит оценки. Зато он кликает, смотрит, скроллит, покупает, пропускает, скрывает, добавляет в избранное. Эти события и есть implicit feedback — шумный, но массовый сигнал.

Главная особенность: отсутствие клика не равно дизлайк

Если пользователь не кликнул айтем, мы не знаем причину: он мог не увидеть его, айтем стоял слишком низко, был плохой thumbnail, пользователь спешил или ему правда неинтересно. Поэтому implicit задачи обычно учатся не на “оценках”, а на confidence-weighted сигналах и pairwise ranking.

Классические постановки

• Weighted ALS: interaction превращаем в preference p_ui, а частоту/силу события — в confidence c_ui.
• BPR: учим модель ранжировать положительный item выше отрицательного для того же пользователя.
• WARP: оптимизируем приближение ranking loss, полезно для top-K задач.
• Negative sampling: сэмплируем невыбранные айтемы как negatives, но помним, что они noisy.

Как взвешивать события

• Purchase > add_to_cart > favorite > long_view > click > impression.
• Dwell time полезен, но его надо нормализовать по типу контента.
• Skip, hide, dislike, quick bounce — сильные negative/guardrail сигналы.
• Recency decay важен: вчерашний клик часто важнее клика год назад.
• Повторные события нужно логарифмировать или обрезать, чтобы heavy users не доминировали.