用户隐式评分获取的准确度会对结果产生较大的影响，而隐式评分的改进却有利有弊。一方面，隐式评分模型的改进能够提升推荐的效果；另一方面，评分改进会增加计算量，影响运算速度。因此隐式评分改进的效果需要进行评估以确定是否值得消耗更大的算力进行隐式评分模型的优化。公式（14）表示将用户满意度作为隐式评分获取模型，即用户观看时长与视频总时长的比值，这是基于视频的隐式评分获取基础。公式（17）和（19）分别对用户隐式评分做了调整。公式（17）引入了置信度函数对评分进行优化；公式（19）引入了视频的长度标量对隐式评分模型进行优化。实验使用的数据集为2018年6月的直点播数据，采用基于项目的协同过滤算法为基础，取N=10，分别测试不同隐式评分方式对推荐效果的影响。评价指标采用准确率、召回率、覆盖率和流行度四项。结果如表46：

表46　不同隐式评分方式评价结果

图52　不同隐式评分方式推荐效果对比(www.daowen.com)

实验结果可以看出，由于增加置信度和长度标量都是以用户的满意度公式为基础，因此三种方法在各项指标上只有微小的差异。从实验结果来看，增加置信度对推荐结果并没有提升，反而会影响推荐的效果。其准确率、召回率和覆盖率都有微小的下降，而流行度指标稍有上升。流行度越高表示推荐的结果越热门，理论上来说，流行度的上升也意味着推荐效果的下降。因此可以得出结论，引入置信度曲线不能提高推荐的效果。

而长度标量的引入能够为推荐效果带来提升。其中准确率提升了1.51%，召回率也有微小的提升。这说明长度标量的引入能够提升推荐的精度。而覆盖率的下降和流行度的微小提升显示出在精度提升的同时，这种隐式评分模型的改进也缩小了推荐范围，将推荐向热门视频靠拢。这也能反映出大多数用户的观看行为带有相似性，热门视频的流行度很高。