隱式回饋（Implicit Feedback）是什麼？

使用者在與推薦系統互動時被動產生的行為信號（如點擊、購買、停留時間），相對於明確評分等顯式回饋，隱式回饋資料量更大但含義更模糊。

隱式回饋（Implicit Feedback）的概念源於一個現實困境：使用者很少主動給產品評分（顯式回饋），但他們的每一次點擊、每一次購買、每一次播放，都留下了關於其偏好的蛛絲馬跡。推薦系統的一大突破就是學會從這些被動行為信號中萃取使用者偏好信息。

隱式回饋的主要類型按行為強度排列：強信號（購買、完成觀看、收藏）>中等信號（點擊、加入購物車、搜尋）>弱信號（瀏覽、滑過）。不同類型的隱式回饋信號含義差別極大：購買記錄幾乎確定代表正面偏好；點擊可能是被標題吸引但實際不滿意；長時間停留可能表示深度閱讀，也可能是分心離開。

處理隱式回饋的核心挑戰是「僅有正樣本」（Positive-Only Observations）問題：我們只知道使用者與什麼互動過（觀測到的正例），但不知道使用者主動「不喜歡」什麼（缺失數據不等於負例）。解決方案有幾種策略：把所有未互動物品均視為負例（Negative Sampling）；加入時間衰減（最近的互動賦予更高信心值）；根據互動次數定義信心權重（Point-wise 建模如 WMF）。

Weighted Matrix Factorization（WMF）是處理隱式回饋的經典算法：將每次互動的偏好設為 1（二值化），為正向互動賦予高信心權重 c，為未互動項目賦予低信心權重（通常為 1），用加權交替最小二乘法（ALS）分解使用者-物品矩陣。iALS（Implicit ALS）是 WMF 的高效實現，可擴展到千萬用戶、百萬物品的規模。

深度學習時代，隱式回饋直接作為序列模型的輸入：BERT4Rec、SASRec 等 Transformer-based 序列推薦模型，將用戶的歷史點擊序列作為輸入，預測下一個可能互動的物品，捕獲行為序列中的時序模式和長期依賴，在 Netflix、YouTube、Amazon 等大型平台的推薦系統中廣泛應用。

曝光偏差（Exposure Bias）是隱式回饋系統的重要問題：使用者只能與被推薦的物品互動，未被推薦的物品沒有機會被觀測，導致系統傾向於強化已有偏好，形成「過濾氣泡」（Filter Bubble），讓流行物品更流行、新物品難以突破。反事實學習（Counterfactual Learning）和逆傾向加權（IPS）是緩解這種偏差的主要技術手段。

會話推薦（Session-based Recommendation）是隱式回饋應用的前沿方向，針對匿名用戶或短會話場景：系統只能利用當前會話內的行為序列（通常幾分鐘到幾小時內的點擊記錄），不依賴長期用戶歷史。圖神經網路（如 SR-GNN）將會話內物品的轉換關係建模為有向圖，捕獲物品間的複雜順序依賴，在電商和電子書平台的即時推薦中效果優異。

多模態隱式回饋整合是近期推薦系統的重要趨勢：結合點擊行為、停留時間、滑動速度（手機端）、評論文字（稀疏但信息豐富）、社交互動（轉發、分享）等多種信號，用 Multi-gate Mixture-of-Experts（MMoE）或 Task-specific attention 對不同信號進行加權融合，相較單一行為信號推薦準確率提升顯著。

隱私保護推薦（Privacy-Preserving Recommendation）是隱式回饋領域的新興約束。GDPR 等隱私法規要求平台限制個人行為資料的使用範圍和保存時間。聯邦學習（Federated Learning）讓推薦模型在本地設備上訓練，只上傳梯度而不上傳原始行為資料，同時差分隱私（Differential Privacy）在梯度中加入校準噪聲，使個人行為無法被逆推，是平衡推薦效果與隱私合規的技術路線。