推荐系统中用户对物品的反馈分为显式和隐式反馈。
显式反馈 (如评分、评级) 或单一的隐式反馈 (如浏览、点击、加入购物车)

隐式反馈 (implicit feedback)：
CTR (Wangchong)
CDL (Wang Hao)
Neural Collaborative Filtering (Xiangnan He)

显式反馈 (explicit feedback)
ConvMF

显式反馈转换为隐式反馈
转换的方式主要有以下几种：
以 movielens 数据集为例，电影评分范围为：
1，2，3，4，5(observed) and missing value(unobserved)
(1) rating>=3 : r = 1(正样本，observeed, positive sample) otherwise r = 0(负样本，unobserved, negative sample)
(2) rating不为空 : r = 1(正样本，observeed, positive sample) otherwise r = 0(负样本，unobserved, negative sample)，这种方式将所有缺失项都看成是负样本。
(3) rating不为空 : r = 1(正样本，observeed, positive sample) otherwise 通过负采样 r = 0(负样本，unobserved, negative sample)，这种方式对缺失项都进行采样，选取一部分作为负样本，如论文Neural Collaborative Filtering (Xiangnan He)。

特别注意：
隐式反馈中，r = 1并不代表用户喜欢该物品(电影)，因为不是每个打分都是5分，而且打分因人而异，有的用户比较宽容，打分偏高，有的用户比较严格，打分偏低；r=0也不意味着用户不喜欢该物品，也许用户喜欢该物品只是没有发现该物品而已。r的值仅仅代表用户对该物品有无评分操作，除此之外，别无他意。

隐式反馈的作用——显著提高推荐系统的预测准确率 。