推荐系统中的显式反馈是指用户直接、有意的输入，明确表达他们对项目的偏好或意见。这类反馈是通过刻意的行为收集的，例如给产品评分、点赞帖子或填写问卷。与从行为（例如，点击、观看时长）推断偏好的隐式反馈不同，显式反馈提供了关于用户偏好的清晰、明确的信号。例如，用户在流媒体平台上给电影评分 5 星，就是明确表达他们的认可，这使得系统可以直接将这些数据纳入推荐模型。
显式反馈常用于协同过滤和混合推荐算法。在协同过滤中，根据评分或评论构建的用户-项目交互矩阵有助于识别模式，例如对相似项目评分高的用户。例如，如果用户 A 和用户 B 都给一部科幻电影评分 5 星，系统可能会将用户 B 喜欢的其他科幻电影推荐给用户 A。矩阵分解技术分解这些矩阵，以揭示驱动推荐的潜在因素（例如，类型偏好）。基于内容的系统也使用显式反馈来完善项目画像——例如，如果用户将一首歌曲标记为“有活力的”，系统会将这些标记与歌曲的属性相关联。然而，显式反馈可能很稀疏，因为许多用户不会持续评分或评论项目，这导致难以建模非活跃用户的偏好。
显式反馈的一个关键优势在于其可靠性，因为它直接反映了用户意图。像 Netflix 或 Goodreads 这样的平台严重依赖星级评分来个性化推荐。然而，其局限性包括潜在的偏差（用户可能更倾向于评分极端值，如 1 星或 5 星）以及针对未提供足够数据的新用户的“冷启动”问题。为了解决这个问题，许多系统将显式反馈与隐式信号（例如，观看时长）结合起来，以获得更全面的了解。例如，流媒体服务可能会优先考虑用户评分 5 星的类型，但也会考虑他们“刷”的标题。开发者应该权衡利弊：显式反馈对于准确性很有价值，但需要机制来鼓励用户参与，例如简化评分界面或提供奖励。