如何调整AWS Personalize配置以弱化近期行为对推荐的影响？

针对你使用aws-user-personalization方案时过度依赖近期行为的问题，结合你的数据规模（7500万交互、200万商品、1000万用户），可以从以下几个维度调整配置：

一、优化算法超参数，降低近期行为权重并延长历史序列考量 #

1. 调整bptt参数
   当前设置的bptt: "16"控制模型反向传播的时间步数，决定了模型能捕捉的历史交互序列长度。增大该值（比如改为"32"或"64"），可以让模型纳入更多早期行为进行学习，避免只聚焦最近的少数交互。注意：数值越大训练时间会相应增加，但你的数据量支撑这种调整。

2. 添加recency_weight参数
   即使禁用了recency_mask，模型仍默认给近期行为更高权重。显式设置recency_weight为小于1的值（比如"0.7"或"0.8"），直接降低近期行为的影响力，让历史行为的权重占比提升。修改后的算法超参数示例：

   "algorithmHyperParameters": {
     "bptt": "32",
     "hidden_dimension": "70",
     "recency_mask": "false",
     "recency_weight": "0.7"
   }
   

二、调整特征转换参数，保留更多用户历史行为 #

当前max_user_history_length_percentile: "0.95"意味着只保留95%用户的历史行为长度上限，可能截断了部分用户的长历史序列。可以：

• 将max_user_history_length_percentile提升至"0.99"，覆盖更多有长历史行为的用户；
• 或者直接设置固定值max_user_history_length: "200"（根据你的用户平均历史长度调整），强制模型保留更多历史交互记录。修改后的特征转换参数示例：

  "featureTransformationParameters": {
    "max_user_history_length": "200",
    "min_user_history_length_percentile": "0.05"
  }
  

三、强化探索策略，拓宽推荐范围 #

虽然开启了performExploration: true，默认的探索权重可能不足。添加explorationWeight参数（比如"0.2"或"0.3"），让模型在推荐时更多尝试与用户历史行为（而非仅近期）相关的商品，避免过度聚焦近期交互的物品。调整后的配置片段：

{
  "performExploration": true,
  "explorationWeight": "0.2",
  // 其他参数保持不变
}

四、引入附加特征维度，丰富用户兴趣画像 #

仅依赖交互数据时，模型只能从时序行为中学习偏好。补充以下特征可以帮助模型从更多维度挖掘用户兴趣，减少对近期行为的依赖：

• 用户特征：比如年龄、注册时长、偏好标签等；
• 物品特征：比如商品分类、品牌、描述标签、价格区间等；
  将这些特征加入对应的用户/物品数据集，重新训练模型后，模型会结合用户长期属性和物品属性进行推荐，而非仅依赖近期行为序列。

五、重新训练模型并验证效果 #

调整参数后，需要重新创建解决方案版本并训练模型。训练完成后，通过批量推荐或实时推荐的测试，对比推荐结果中历史行为关联商品的占比，逐步调整参数数值（比如recency_weight、bptt的具体值），直到达到预期的平衡效果。

内容的提问来源于stack exchange，提问作者J.Kh