Azure AI Search个性化评分方案咨询：替代已废弃Personalization Service

一、Azure AI Search 服务内个性化配置实现 #

针对你希望在搜索服务内完成个性化排名的需求，可通过以下方式实现：

• 自定义评分配置（Scoring Profiles）：创建索引时定义评分规则，将用户画像的核心特征（如兴趣标签、历史行为权重）作为索引字段，通过字段加权、条件boosting等方式，让匹配用户画像的文档获得更高评分，提升排名。例如，若用户画像标记了"科技"兴趣，可对索引中category字段为"科技"的文档设置额外权重。
• 语义搜索重排序：启用索引的语义搜索功能后，可利用语义重排结合用户画像上下文，对初始检索结果进行语义层面的个性化调整，进一步优化相关性排名。
• 隐式协同过滤的服务内近似实现：预先基于用户隐式行为（如点击、浏览时长）计算用户与文档的相似度特征，将该相似度值存储为索引字段，在评分配置中为该字段设置高权重，以此模拟隐式协同过滤的效果，让与用户行为相似的内容排名更靠前。

二、推荐引擎场景的支持方案 #

Azure AI Search本身没有原生推荐引擎模块，但可通过以下方式满足"结合显式+相似用户隐式喜好"的推荐需求：

• 预计算偏好特征并嵌入索引：在外部系统中通过隐式协同过滤算法，计算相似用户群体的偏好关联，将这些关联的内容特征（如相似用户高频访问的内容标签）存储到搜索索引的字段中，再通过评分配置对包含这些特征的文档进行加权提升。
• 自定义评分函数扩展：在评分配置中使用自定义评分逻辑，根据当前用户ID匹配预计算的相似用户偏好标签，对命中标签的文档动态增加评分，实现个性化推荐的效果。
• 若需复杂逻辑的折中方案：如果需要更深度的协同过滤计算，可将Azure AI Search作为检索底座，外部结合机器学习模型完成推荐逻辑的后处理，但如果优先要求服务内完成，预计算特征+评分配置的组合是最优选择。

注：原Azure Personalization Service已废弃，目前无直接替代服务，上述方案为当前Azure AI Search支持的个性化实现路径。

内容的提问来源于stack exchange，提问作者Vilhelm H.