AWS Personalize能否基于item features推荐训练未收录的新物品？

核心结论 #

AWS Personalize 可以支撑「基于物品特征，给训练阶段未出现、无历史交互数据的新物品生成推荐/排序结果」的场景，你之前查到的「未入训练集物品统一排末尾」是老版本非冷启动优化配方的限制，不是服务本身的能力边界。

正确配置步骤 #

• 选对适配配方：不要使用纯协同过滤逻辑的旧版配方（如HRNN、初代SIMS、初代Personalized-Ranking），必须选择带冷启动泛化能力的v2版本配方：User-Personalization-v2、Personalized-Ranking-v2、Similar-Items-v3。这几类配方不是靠物品ID记忆交互关系，而是会学习物品特征和用户偏好的匹配规律，能对从未出现在训练集里的新物品计算有效得分，不会强制把新物品沉到排序末尾。
• 对齐物品数据集Schema：必须提前创建结构完整的Item数据集，新上传的冷启动物品要和训练集内已有物品的特征字段完全一致，不能缺项。比如训练集物品配置了品类、价格、内容标签、适用人群这些特征字段，新物品导入时必须把对应字段全部填充有效值，模型完全依赖这些特征做跨物品的偏好泛化，特征缺失会导致新物品得分计算异常。
• 训练与数据导入配置：新物品不需要等积累交互数据再重新全量训练，有两种方式可以让新物品生效：一是开启自动增量训练管线，服务会自动把新增的物品特征纳入模型更新；二是在推理前通过PutItems接口把新物品实时导入物品数据集，搭配支持实时特征更新的模型版本即可直接参与推理。如果选错了旧版非冷启动配方，哪怕完整上传了物品特征，新物品依然会被强制排到结果末尾。
• 推理参数调整：做排序推理时，直接把新物品ID放入待排序候选列表即可；做召回推荐时，要关闭默认的「过滤训练后新增物品」的内置规则，否则新物品会被规则层拦截，无法进入模型打分环节。

其他支持该能力的同类托管推荐服务 #

• 阿里云智能推荐AIRec：原生支持无交互新物品冷启动，新物品上传特征后无需积累交互即可参与召回、排序全链路，支持自定义冷启动流量占比，对电商、内容类场景适配成熟。
• 腾讯云推荐引擎：内置专门的冷启动召回、排序通道，新物品特征入库后分钟级即可进入推荐链路，支持模型特征匹配+自定义规则结合的冷启动逻辑。
• Google Cloud Recommendations AI：默认的推荐、排序模型均做了特征泛化优化，只要上传完整的物品属性，无交互新物品即可正常参与推荐和排序，不会被强制沉底。
• Azure Personalizer：基于上下文bandit框架实现，原生不依赖物品长期交互数据，可实时基于用户特征、上下文场景、物品特征给新物品计算排序得分，冷启动是其核心原生能力。

内容的提问来源于stack exchange，提问作者amit