隐式反馈的建议和用户分析
绝大多数B2C服务正在迅速发现可靠推荐引擎对提高转换率并与客户建立更高忠诚度的战略重要性。最常见的策略是[3]基于用户根据其个人特征（年龄范围，性别，兴趣，社交互动等）或他们对特定项目给出的评分进行的细分。后一种方法通常依赖于总结总体经验的显式反馈（例如，等级从0到10）。不幸的是，两种情况都有缺点。
个人数据变得越来越难以检索，最新法规（即GDPR）允许用户与服务进行交互而无需收集数据。此外，必须使用许多通常被隐藏且只能使用预测模型来推断的属性来建立可靠的个人资料。相反，隐式反馈很容易收集，但非常少。基于用户项目矩阵[3]的因式分解策略很容易实现（考虑使用并行算法的可能性），但是评级数量和产品数量之间的差异通常太大，因此无法进行准确估算。
我们的经验表明，可以利用文本评论中存在的隐式反馈来创建非常准确的用户个人资料（也适用于仅由随机ID标识的匿??名用户 ）。我们的主要假设是，被归类为垃圾邮件的评论反映了用户对特定体验的期望。换句话说，一个简单的句子（例如“该地方非常嘈杂”）表示我更喜欢安静的地方，或者添加一些额外的约束，即在特定情况下（由n个 因素表征 ），安静的地方比嘈杂的地方更可取。我们将要提出的方法基于此假设，并且可以进行调整以应对许多不同的情况。
题库