在前幾節(jié)中，僅考慮了明確的反饋，并根據(jù)觀察到的評分對模型進(jìn)行了訓(xùn)練和測試。這種方法有兩個(gè)缺點(diǎn)：首先，大多數(shù)反饋在現(xiàn)實(shí)世界場景中不是顯式的而是隱式的，收集顯式反饋的成本更高。其次，完全忽略了可能預(yù)測用戶興趣的未觀察到的用戶-項(xiàng)目對，使得這些方法不適用于評級不是隨機(jī)丟失而是由于用戶偏好而丟失的情況。未觀察到的用戶-項(xiàng)目對是真實(shí)負(fù)反饋（用戶對項(xiàng)目不感興趣）和缺失值（用戶將來可能與項(xiàng)目交互）的混合體。我們簡單地忽略矩陣分解和 AutoRec 中未觀察到的對。清楚地，

為此，一類旨在從隱式反饋生成排名推薦列表的推薦模型得到了普及。一般而言，個(gè)性化排名模型可以通過逐點(diǎn)、成對或列表方法進(jìn)行優(yōu)化。Pointwise 方法一次考慮單一交互，并訓(xùn)練分類器或回歸器來預(yù)測個(gè)人偏好。矩陣分解和 AutoRec 使用逐點(diǎn)目標(biāo)進(jìn)行了優(yōu)化。成對方法為每個(gè)用戶考慮一對項(xiàng)目，并旨在為該對近似優(yōu)化排序。通常，成對方法更適合排序任務(wù)，因?yàn)轭A(yù)測相對順序讓人聯(lián)想到排序的本質(zhì)。Listwise 方法近似于整個(gè)項(xiàng)目列表的順序，例如，NDCG）。然而，listwise 方法比 pointwise 或 pairwise 方法更復(fù)雜，計(jì)算量更大。在本節(jié)中，我們將介紹兩個(gè)成對目標(biāo)/損失，貝葉斯個(gè)性化排名損失和鉸鏈損失，以及它們各自的實(shí)現(xiàn)。