10、评分及其计算方法

评分及其计算方法

在当今的互联网世界中，准确计算用户对商品或内容的兴趣程度是非常重要的，这有助于为用户提供更精准的推荐。下面我们将详细探讨如何计算隐式评分。

基于行为的方法

首先，像Hacker News这样的平台会不断调整算法，因为用户的口味是不断变化的，所以旧事件的权重应该低于新事件。对于大多数网站来说，仅考虑购买行为可能会使数据表格很空，因此可以考虑增加其他类型的事件，如查看详情、查看更多详情等。

当使用多种事件时，需要量化用户通过不同事件表现出的喜好程度。在定义了每个事件的价值后，就可以根据用户和商品之间发生的所有事件来计算用户 - 商品矩阵中的每个条目。

计算隐式评分

在计算隐式评分时，我们要明确计算的是用户购买商品的可能性，而不是用户对内容的评分。例如，有人学习意大利语是为了阅读翁贝托·埃科（Umberto Eco）的原著，但最终可能并没有真正享受阅读他的书，但仍然会购买他的新书。对于图书网站来说，更关心的是用户可能购买的书籍，而不是用户对书籍的评分。

查看行为数据

以MovieGEEKs网站为例，用户Jesper（ID 400002）喜欢金·凯瑞（Jim Carrey）的《王牌威龙：自然的召唤》（Ace Ventura: When Nature Calls）。他多次查看该电影，最后查看了更多详情后购买了它。相关事件如下表所示：
| 用户ID | 内容项 | 事件 |
| ---- | ---- | ---- |
| 2 | 王牌威龙：自然的召唤 | 点击详情 |
| 2 | 王牌威龙：自然的召唤 | 点击详情 |
| 2 | 王牌