http://mp./s?__biz=MzA4OTk5OTQzMg==&mid=2449231485&idx=1&sn=a2e6339cbaae58c4a9cde54ebdffff55
推荐系统所需要的核心数据是用户的反馈。
因为没有反馈就：
没有持续优化的标注数据
没有评价效果的真实数据
总之一句话：没有反馈数据，没有数据循环，不通透，产品的新陈代谢就有问题。
注意，我们说的用户反馈可不是用户打电话给客服说的“意见反馈”，而是对Item的喜好。
反馈数据的形式有多种：点击查看，收藏，看（听）完，加入购物车，付钱，评分，给评价……
这些反馈形式分为两种：隐式反馈和显式反馈。
上面列举的反馈方式中，评分是显式反馈，因为用户知道自己在表达态度， 并且用一种较量化的方式给出很明确的态度。其他的反馈则是用户使用产品时所留下的自然行为， 用户留下这些数据，目的并不是要告诉他的喜好，但是我们却可以从中“揣摩”到用户的喜好，这就是隐式反馈。
隐式反馈相对于显式反馈有以下特点：
1、数量会比显式反馈大很多，矩阵更稠密，更稳定；
2、用户自然发生，通常会更加真实全面地反应其态度；
3、更接近产品指标，如人均播放时长（视频），点击率（新闻）；
Xavier Amatriain（Quora工程副总裁）在ACM Resys 上也分享过要重视隐式反馈的观点。见推荐系统老司机的十条经验。
隐式反馈面临的问题：
1、隐式反馈的负样本不明显
隐式反馈数据通常是 0-1 二值数据，理想情况 下应当把它当做“预测用户是否会对 Item 产生某种隐式反馈”的分类问题，分类问题则需要负样本，显然通常隐式反馈的负样本不那么明显。这是问题之一。
2、用RMSE去评价隐式反馈推荐模型
推荐的场景更多是推荐列表，关心的是排序，不论是“猜你喜欢”的综合列表推荐，还是Item-2-Item的相关推荐， 亦或是 feed 流推荐，关心排序胜过关心单个Item预测误差，而RMSE关心的是单个Item预测误差，因此用RMSE去评价隐式反馈推荐模型，就显得有些差强人意，这是问题之二。 ( HR 和 NDCG )
针对隐式反馈的矩阵分解主流有以下两种做法：
(1) Point Wise类：还是预测User对单个Item的偏好，最后根据偏好排序。
(2) Pair Wise类：对同一个User，直接考虑任意两个Item的顺序谁在前谁在后。
Point Wise类，以Collaborative Filtering for Implicit Feedback Datasets这篇论文为代表[1]， 对此，优秀的实现有： implicit.als.AlternatingLeastSquares
AlternatingLeastSquares (Python实现)
