Básicamente estás tratando de llegar a las Reglas de Asociación [1, 2].
El problema con la retroalimentación implícita en los sistemas de recomendación es que no tiene retroalimentación negativa. Si el usuario u1 no examinó el producto p3, ¿es porque a u1 no le gustó p3 o porque u1 no vio la recomendación para p3? O tal vez porque u1 vio p3, le gustó, pero no vio el producto porque u1 tuvo que atender una llamada y olvidó que la página estaba abierta. Hay varias razones por las que no se ha hecho clic en una recomendación (posiblemente buena), por lo que no se puede clasificar todas las recomendaciones que no se hicieron clic como negativas.
Uno puede llegar a varias métricas que miden los comentarios positivos, como el que sugirió OP, y pueden funcionar hasta cierto punto. La única prueba real es cómo actúan en vivo. En el ejemplo de Amazon, serían los ingresos finales generados para la empresa, o los clics que generaron compras, por ejemplo.
- ¿Cómo funcionan las redes interbancarias?
- ¿Cuáles son los mejores algoritmos para el conjunto de datos de preservación de la privacidad?
- ¿Cuál es la diferencia entre análisis de datos, ciencia de datos, big data y aprendizaje automático?
- ¿Cuántas imágenes necesita un buen sistema de aprendizaje automático para aprender un nuevo concepto?
- ¿Cuántos parámetros deben ajustarse para Random Forest?
Es un problema difícil encontrar una buena métrica para medir el rendimiento. Para leer más sobre los sistemas de recomendación de retroalimentación implícita, consulte [3].
Referencias
[1] Aprendizaje de reglas de asociación
[2] https://www-users.cs.umn.edu/~ku…
[3] http://yifanhu.net/PUB/cf.pdf