已经显示 \(learning-to-rank\) 算法允许推荐系统利用一元用户反馈。我们提出了 \(Multi-feedback \,Bayesian\, Personalized\, Ranking\) (多反馈贝叶斯个性化排序)，即利用扩展采样与不同类型反馈的成对方法。反馈类型来自不同的 \(channels\)，其中 \(users\) 与 \(items\) 相互作用 (\(e.g., clicks, likes, listens, follows, and purchase)\)。 我们通过像 \(clicks\), \(likes\) 这样不同类型的反馈，来反映不同级别的 \(commitment\) 或 \(preference\)。 我们的方法不同之处在于它在训练过程中同时利用多个反馈来源，\(MF-BPR\) 的新颖之处在于它是一种扩展的采样方法, 将反馈源等同于信号预期贡献的 \(level\)。 我们通过对包含多种反馈类型的三个数据集进行了一系列实验来证明我们的方法的有效性，实验结果表明：采用更好采样方法的 \(MF-BPR\) 在准确性方面优于 \(BPR\)，\(MF-BPR\) 的优势在于它能够在抽样负面项目时利用水平信息。
