Amazon Personalize Campaign分数计算规则及分数合理性问询

AWS Personalize推荐分数计算逻辑 #

• 该分数本质是推荐相关性的相对排名分数，并非绝对概率值，核心是基于你接入的用户特征、用户交互（你场景下为点赞）、物品特征三类数据集训练后，模型对「该用户对该物品产生目标交互行为的倾向」的量化结果。
• 分数计算逻辑随你选择的算法配方（Recipe）不同有差异：
  • 如果你使用的是用户个性化推荐类的aws-user-personalization配方，分数基于层级循环神经网络（HRNN）结合探索机制输出，会对热门物品做惩罚、对冷门探索物品做加权调整，绝对值天然不会很高。
  • 如果你使用的是物品相关度类配方，分数是物品间特征相似度、共现交互频率的归一化值。
• 所有分数默认是单推荐请求维度的相对归一化结果，同一次请求内的分数高低仅用于该请求返回物品的排序，不同请求之间的分数不具备横向可比性。

0.00004~0.006的分数区间是否偏低 #

这个区间不属于异常偏低的情况，核心原因有两点：

1. 你当前的训练用交互数据仅数千条，属于极小数据规模，模型能学习到的用户-物品关联特征有限，输出的分数整体都会被拉低，不会出现高分值。
2. 你设置的目标交互是点赞，本身属于低频次用户行为，模型预测的正向概率天然更低，对应输出的分数绝对值自然不会很高。

注：验证分数有效性不需要参考绝对值高低，仅需要确认同一次推荐请求中，排名靠前的物品是否更符合用户偏好、对应业务的点击率/点赞率是否符合预期即可，分数绝对值本身没有单独参考意义。

内容的提问来源于stack exchange，提问作者kierandes