数据挖掘 - 具有隐式反馈的推荐系统中的性能指标 - 吾爱随笔录

本文描述了一种在反馈是隐含的情况下进行推荐的技术，即 $r_{ui}$ 只是一个猜测。推荐问题归结为以下优化问题：

min_{x^{*}, y^{*}} \sum_{u, i} c_{u i} (p_{u i} - x_{i}^{T} y_{i})^{2} + λ (\sum_{u} ‖ x_{u} ‖^{2} + ‖ y_{u} ‖^{2})

$\min_{x^*, y^*}\ \ \sum_{u,i}c_{ui}(p_{ui}-x_i^Ty_i)^2+\lambda \left(\sum_u\|x_u\|^2+\|y_u\|^2 \right)$ 其中

c_{u i} = 1 + α r_{u i}

$c_{ui} = 1+\alpha r_{ui}$ 。

我有以下顾虑：

上面的算法近似于二进制指示函数 $p_{ui}$ 加权。然而，大多数人使用和之间的 RMSE来评估性能。我不确定为什么这样做有意义。 $c_{ui}$ $r_{ui}$ $x_i^Ty_i$
为什么要使用 RMSE？有了隐式反馈，对我来说使用基于排名的指标会更有意义。我想 RMSE 更适合机器学习竞赛，其中客观指标通常是 RMSE。