在为多种类型的产品创建推荐系统时，您如何处理隐含评级的偏差？
When creating recommendation system for multiple types of products, how do you deal with bias in implicit rating?
在做零售业务的推荐系统（协同过滤）时，没有实际评分（如1-10对商品的满意程度）。
因此，我不使用。每个用户购买某个商品的次数作为隐含评级。然而，这样做可能会在滞销产品（如电视）和快速滞销产品（如薯片、零食）之间产生偏差，因为没有。顾客购买滞销产品的次数远少于滞销产品。
我的问题是：
- 有什么比没有更好的。客户购买特定商品或访问次数以用作评级的次数？
- 您如何增加权重以帮助减少慢速和快速移动项目之间的偏差。
感谢您的提前回答！
正在尝试回答您的具体问题：
是的，但这取决于您对这些项目还有哪些其他信息。我试图做出一些合理的假设来回答。
我可以假设您知道该项目的成本。您可以通过项目的成本进行标准化，以确保减少（而不是完全消除）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 所有项目的价格来试验价格组，从而形成产品组，从而给您一个 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/消耗品/大件），您可以拥有更具代表性的集群。此后，您可以将 implicit_rating 分配给每个项目。现在，您可以通过使用组评分的汇总统计信息（比如 group_mean_implicit_rating）来规范化每个 implicit_rating。所以，weighted_rating = implicit_rating/group_mean_implicit_rating
在做零售业务的推荐系统（协同过滤）时，没有实际评分（如1-10对商品的满意程度）。
因此，我不使用。每个用户购买某个商品的次数作为隐含评级。然而，这样做可能会在滞销产品（如电视）和快速滞销产品（如薯片、零食）之间产生偏差，因为没有。顾客购买滞销产品的次数远少于滞销产品。
我的问题是：
- 有什么比没有更好的。客户购买特定商品或访问次数以用作评级的次数？
- 您如何增加权重以帮助减少慢速和快速移动项目之间的偏差。
感谢您的提前回答！
正在尝试回答您的具体问题：
是的，但这取决于您对这些项目还有哪些其他信息。我试图做出一些合理的假设来回答。
我可以假设您知道该项目的成本。您可以通过项目的成本进行标准化，以确保减少（而不是完全消除）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所有项目的价格来试验价格组，从而形成产品组，从而给您一个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/消耗品/大件），您可以拥有更具代表性的集群。此后，您可以将 implicit_rating 分配给每个项目。现在，您可以通过使用组评分的汇总统计信息（比如 group_mean_implicit_rating）来规范化每个 implicit_rating。所以，weighted_rating = implicit_rating/group_mean_implicit_rating