隐式用户评分获取模块利用预处理后的用户行为数据，通过计算得到“用户-项目”评分矩阵，作为协同过滤的输入数据。系统执行流程如图41所示：

图41　系统隐式评分流程

隐式评分的获取所用到的模型被统称为隐语义模型，它的核心思想是通过数据的隐含特征来联系用户兴趣与项目。在协同过滤算法中，“用户-项目”的评分矩阵是推荐算法的基础，对推荐结果起着至关重要的作用。因此，隐式评分的获取模型有以下几个要求：首先，要保证用户模型必须能够准确地描述用户的兴趣，这样才能保证推荐结果的质量。其次，由于推荐的实现依赖于计算机平台，因此隐式评分的获取模型必须保证可编程计算实现。

隐式评分模型的研究有很多经典的方法，这些方法模型在本质上是相通的，都是利用足够的用户训练集进行数据挖掘，以获得用户的偏好模型，如隐式类别模型（Latent Class Model）、隐式主题模型（Latent Topic Model）和矩阵分解（Matrix Factorization）等。

然而在实际应用中，隐式评分经常面临的一个问题是数据集中只有正样本（用户喜欢什么项目），而没有负样本（用户对什么项目不感兴趣）。

对于这个问题，Rong Pan在文章中进行了深入探讨，他对比了如下几种方法：

a：对于一个用户，用他所有未选择过的项目作为负样本。

b：对于一个用户，从他未选择过的项目中均匀采样出一些项目作为负样本。

c：对于一个用户，从他未选择过的项目中采样出一些项目作为负样本，但采样时，保证每个用户的正负样本数目相当。

d：对于一个用户，从他未选择过的项目中采样出一些项目作为负样本，但采样时，对不热门的项目采样点权重设置更大。

Rong Pan在文章中表示，方法c能产生更优的样本；方法b次之；方法d的模型过于复杂；而方法a得到的负样本太多，正负样本数目相差悬殊，最终结果的精度也很差。因此，对负样本采样时应该遵循一个基本原则，即对每个用户要保证正负样本的数目相似。

基于智能大屏的隐式模型建立的基本假设条件为：用户在一个视频节目上投入时间的多少反映了用户的满意度。类似在商品推荐领域，用户花钱购买了商品代表付出了金钱；在视频推荐领域，金钱被时间成本所取代。用户收看视频的时长越长，付出的时间成本就越高，也就说明用户对该视频的兴趣越大。

这里引入满意度来衡量用户对某一视频的感兴趣程度。用户的观看时长与对视频的满意度评分成正比关系，对该视频越感兴趣，满意度越高，相应的分值也就越高。(www.daowen.com)

基础的隐式评分公式如下：

其中，p表示该观看行为为用户带来的评分，是用户对该视频的收看时长，L表示该视频的总时长。

对于智能大屏，有时会出现用户多次收看一个项目的情况，如一个电视剧有很多集，在行为记录中就会显示为用户多次收看该剧。此时的评分p为每次收看所得到的单次评分的加权平均，因此，改进后的隐式用户评分公式如下：

其中，n为该视频节目的观看总次数，为第n次观看该节目的时长，为第n次观看行为所对应的视频节目的总时长。

基于这个假设，智能大屏用户的样本描述可以将正负样本看作满意度的大小。用户选择该视频节目且看完则为一个正样本，表示用户喜爱该视频；而用户选择了该视频节目但观看时间很短便退出则为一个负样本，表示用户不喜爱该视频。

一个好的隐式评分模型要在保证可行性的同时，根据平台的具体特征而制定，既能发现相似用户，又能区分兴趣差别较大用户的全面的隐式评分策略。根据推测，用户对视频的满意度并不一定与其观看时长成线性关系。在这里引入置信度的概念。根据收视习惯，用户满意度分布在0和1周围时，满意度的置信度最高。按照常理分析来看，用户看到不喜欢的视频节目会快速判断不感兴趣并退出；而用户非常喜欢一个视频节目，则会完整地观看。但中途退出的原因难以一概而论，因此置信度较低。引入置信度函数公式如下：

图42　置信度函数的图形表示

如图42所示，该函数表示用户满意度越趋于两端，收看质量所代表的喜好程度越可信。由此可得到评分公式如下：

不仅如此，视频节目的总时长也会对用户收看行为造成一定的影响。片花、宣传片和短新闻的时长一般在3分钟左右，而电影的时长有时长达3小时。视频时长不同也会影响观看的满意度得分。短视频观看耗时较短，用户很容易看完，因此用户发现不感兴趣时可能该视频已经播放结束；如果视频本身时长过长，用户更容易因其他琐事而打断收视，从而产生中途退出的行为。因此，现有的评分方式对于视频总时长相差较多的情况显得不够完善。因此引入视频长度标量概念。评分公式为：

其中，30为视频的长度标量，为设定值。此公式设定了视频的总时长对隐式评分的影响。当视频本身的时长大于视频长度标量时，公式对用户的隐式评分起正向调整作用，即评分值加强；当视频本身的时长小于视频长度标量时，公式对用户的隐式评分起负向调节作用，即评分值减弱。由此，用户的隐式评分公式为：

在系统中，考虑到用户会有重复观看行为，因此对数据的处理按用户进行。对于用户重复观看的行为，将所有评分进行加权平均。最终得到评分公式为：