本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
推荐评分的工作原理（自定义资源）
借助用户个性化-v2 和用户个性化配方，Amazon Personalizational 会根据用户的互动数据和元数据为项目生成分数。这些分数表示 Amazon Personalize 对于用户是否与接下来的物品交互的相对确定性。分数越高，意味着确定性越大。
注意
Amazon Personalize 不会显示域推荐器或者 Similar-Items、SIMS 或 Popularity-Count 食谱的分数。有关 Personalized-Ranking 建议分数的信息，请参阅 个性化排名评分的工作原理。
Amazon Personalize 会按从 0 到 1（包括两者）的等级生成商品的相对分数。借助用户个性化-v2，Amazon Personalizational 会为您的部分商品生成分数。通过用户个性化设置，Amazon Personalize 会对您目录中的所有商品进行评分。
如果您使用 Userpersonalization-v2 并根据筛选条件删除的推荐数量对推荐应用筛选条件，Amazon Personalizational 可能会添加占位符项目。它这样做是numResults为了满足您的推荐请求。根据交互数据量，这些项目是符合筛选条件的热门项目。他们没有针对用户的相关性分数。
对于 “用户个性化-v2” 和 “用户个性化”，所有分数的总和等于 1。例如，如果您正在为用户获取电影推荐，并且有三部电影出现在项目数据集和互动数据集中，则它们的分数可能是0.60.3、和0.1。同样，如果你的库存中有 10,000 部电影，则得分最高的电影的分数可能非常低（平均分数为.001），但是，由于得分是相对的，因此推荐仍然有效。
在数学术语中，每个用户项目对 (u, i) 的分数是根据以下公式计算的，其中exp是指数函数，w 和 wi/分别j是用户嵌入和项目嵌入，希腊字母 sigma (σ) 表示所有分数项的总和：u
