因果推断与机器学习—特定领域的机器学习
在推荐系统和信息检索领域中，存在一类机器学习模型，被称为互动性机器学习模型。这些模型在训练过程中高度依赖用户产生的标签数据。在这类算法中可以使用显式的(explicit)或隐式的(implicit)两种用户产生的标签。
- 显式标签（explicit）
- 定义：显式标签被认为是直接反映用户偏好的一种方式。例如在推荐系统中，用户对商品进行打分（如 1 - 5 星），这种直接给出的评分就是显式标签。
- 特点：它能较为直观地反映用户对某个产品或内容的喜好程度。
- 隐式标签（implicit）
- 定义：通过用户的各种行为来间接反映其偏好。在电商网站上，用户的点击、购买、将商品加入购物车等操作都可以作为隐式标签。本质上，这些行为都是用户偏好的一种体现。
- 特点：相较于显式标签，隐式标签所反映的用户偏好信息不是那么直接和明确，但在实际应用中非常常见。
在实际训练这类模型时，由于应用场景存在诸多限制，会选择合适的模型评估标准，并对训练进行优化。例如在信息检索领域，常用 NDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）