Come fa Netflix a raccomandare i titoli usando solo un feedback implicito?

La risposta dipende molto da cosa si intende per "implicito". Sto assumendo un utente che clicca o riproduce un film come feedback esplicito mentre la navigazione o l'assenza di interazione come feedback implicito.

Ci sono stati modelli che Netflix ha costruito che "scontano" o "penalizzano" i film se un utente li sfoglia senza alcuna forma di interazione. Questi sono i cosiddetti modelli di "impression discounting" e ce ne sono parecchi in letteratura. L'obiettivo qui è quello di non impressionare gli stessi film allo stesso utente più e più volte, quando si diventa certi che è altamente improbabile che l'utente ci clicchi sopra.

Il feedback sia implicito che esplicito è stato combinato in una vasta gamma di modelli. Nei termini di un modello di fattorizzazione della matrice (collaborative filtering), dove ogni riga è un utente e ogni colonna è un film, si possono immaginare due tipi di interazioni dell'utente: o un utente ha interagito esplicitamente con quel film (come ad esempio l'ha giocato, o ha cliccato su di esso per vedere più dettagli ecc) o non ha interagito affatto. Possiamo prendere le interazioni come feedback positivo (a '1' nella matrice) e il campione di quelle che non hanno interagito come a '0'. Naturalmente potete cambiare il bias del modello cambiando la strategia di campionamento. Potete fare la stessa cosa per un modello di regressione logistica assegnando opportunamente gli esempi positivi e negativi.