marketplace-personalisation

双边市场个性化工程最佳实践

全面指南：介绍如何基于 AWS Personalize 设计、构建和改进双边信任市场中的个性化与推荐 系统。涵盖 9 个类别中的 49 条规则，按其对个性化生命周期的级联影响排序，并提供两个操作手册， 分别用于从头规划新系统，以及诊断现有系统。

适用场景

在以下情况下，请参考此技能：

• 为新的推荐系统设计事件架构和跟踪方案
• 选择 AWS Personalize 配方（USER_PERSONALIZATION_v2、SIMS、PERSONALIZED_RANKING_v2）
• 为市场搜索或首页信息流编写或审查候选生成和重新排序代码
• 处理新服务提供者、新需求方或新目录区域的冷启动问题
• 诊断线上系统：它“大体能用，但感觉陈旧、不公平或缺乏个性化”
• 为推荐系统规划下一次实验、基线对比或 A/B 测试
• 调查集中化、覆盖率崩溃、死亡螺旋或训练与服务之间的偏差
• 添加可观测性仪表板、漂移检测或在线指标切片

设置

此技能没有用户专属配置，可独立使用。参考资料链接指向 AWS Personalize 官方文档、有关偏差与曝光度的学术论文，以及 Airbnb 和 DoorDash 的工程博客。

规则类别

类别按级联影响排序：较早阶段的问题会污染下游的所有环节。

#	类别	前缀	影响
1	事件跟踪与采集	track-	CRITICAL
2	数据集与架构设计	schema-	CRITICAL
3	双边匹配模式	match-	CRITICAL
4	简单基线与约束理论	simple-	HIGH
5	反馈循环与偏差控制	loop-	HIGH
6	冷启动与覆盖率	cold-	HIGH
7	配方与流水线选择	recipe-	MEDIUM-HIGH
8	推理、筛选与重新排序	infer-	MEDIUM-HIGH
9	可观测性与在线指标	obs-	MEDIUM-HIGH

快速参考

1. 事件跟踪与采集（CRITICAL）

• track-log-impressions-alongside-clicks — 点击有了分母才能转化为比率，并支持无偏训练
• track-use-stable-opaque-item-ids — 防止列表重命名或移动时丢失历史记录
• track-stamp-events-with-request-id — 实现曝光到结果归因的关联键
• track-stream-events-via-putevents — 实时适应与每日批量导入的区别
• track-capture-negative-signals — 忽略也是一种信息，沉默则不是
• track-measure-outcomes-not-clicks — 奖励已完成的预订，而不是标题党式点击

2. 数据集与架构设计（CRITICAL）

• schema-design-conservatively — Interactions 架构不可变，Users/Items 更改起来很麻烦
• schema-keep-user-item-thin — 易变字段应放在事件中
• schema-enforce-metadata-freshness — 每次元数据更改时都调用 PutItems
• schema-prefer-categorical-fields — 解锁按值划分的特征
• schema-weight-event-value — 让模型与业务结果保持一致
• schema-include-context-everywhere — 保持训练与服务的特征一致
• schema-meet-minimum-dataset-sizes — 训练前至少需要 50 个用户、50 个项目和 1000 次交互

3. 双向匹配模式（关键）

• match-rank-mutual-fit — 按双方接受概率排序
• match-hard-filter-before-ranking — 通过检索确保符合条件
• match-cap-provider-exposure — 将多样性作为公平性约束
• match-model-capacity-constraints — 按容量折扣调整评分
• match-balance-supply-demand — 按细分群体路由策略

4. 简单基线与约束理论（高）

• simple-ship-popularity-baseline — 所有 ML 模型都必须超越的参考基准
• simple-find-bottleneck-first — 先诊断，再优化
• simple-heuristic-rerank-cold-cohorts — 信任度 × 新近度 × 距离
• simple-budget-complexity — 运行前的上线或终止标准
• simple-audit-before-build — 遥测审计是模型工作的前置条件
• simple-measure-gap-to-baseline — 将基线永久保留为少数流量桶

5. 反馈循环与偏差控制（高）

• loop-log-ranking-slot — 记录位置数据以校正位置偏差
• loop-reserve-random-exploration — 获取无偏训练数据
• loop-optimize-completed-outcome — 优化目标，而非代理指标
• loop-decay-event-weights — 逐渐降低旧偏好的权重
• loop-detect-death-spirals — 曝光基尼系数是领先指标

6. 冷启动与覆盖率（高）

• cold-use-v2-recipe-with-metadata — 利用元数据推断新商品的表现
• cold-best-of-segment-popularity — 细分优于全局 Top-N
• cold-capture-onboarding-intent — 直接询问，而不是猜测
• cold-reserve-exploration-slots — 筛选新鲜库存进行推广
• cold-tag-cold-start-recs — 按冷热数据切分指标

7. 配方与流水线选择（中高）

• recipe-default-to-user-personalization-v2 — 探索场景的默认选择
• recipe-sims-for-item-page-only — 相似商品推荐不适用于首页
• recipe-personalized-ranking-as-reranker — 不是候选生成器
• recipe-build-candidate-rerank-pipeline — 两层，各司其职
• recipe-defer-hpo-until-baseline-measured — 先验证模型，再进行调优

8. 推理、筛选与重新排序（中高）

• infer-use-filters-api — Personalize 会补足结果至 numResults 数量
• infer-rerank-rules-after-model — 保留模型生成的分布
• infer-deduplicate-canonical-entity — 按提供方去重，而非按商品条目去重
• infer-enforce-exposure-caps — 滚动公平性约束
• infer-cache-responses-short-ttl — 维持会话连续性并控制成本

9. 可观测性和在线指标（中高优先级）

• obs-always-ab-test — 仅靠前后对比永远不够
• obs-track-coverage-and-gini — 曝光健康信号
• obs-slice-metrics-by-segment — 汇总指标会掩盖细分群体中的性能退化
• obs-watch-online-offline-divergence — 代理过拟合检测器
• obs-alarm-on-prediction-drift — 将分布 KL 散度作为预警信号

规划和改进推荐系统

两份操作手册通过组合上述规则，指导端到端工作流：

• references/playbooks/planning.md — 从头规划新的推荐系统：包含九个步骤的工作流，从埋点开始，到首次通过 A/B 测试验证其优于热门度基线的机器学习提升为止。
• references/playbooks/improving.md — 诊断并改进现有推荐系统：通过决策树识别当前瓶颈（遥测、时效性、覆盖率、反馈循环、算法），并指向可解决问题的具体规则。

如果任务是“设计推荐系统”或“这个推荐系统表现不佳”，请先阅读操作手册。实现或审查过程中遇到具体问题时，请阅读相应的规则。

使用方法

• 阅读 references/_sections.md，了解类别结构和影响优先顺序。
• 遇到与当前任务匹配的具体规则时，请阅读 references/ 下对应的规则文件。
• 阅读 references/playbooks/planning.md，规划新系统。
• 阅读 references/playbooks/improving.md，诊断现有系统。
• 随着技能不断完善，使用 assets/templates/_template.md 编写新规则。

参考文件

文件	描述
references/_sections.md	类别定义、影响优先顺序、级联原理
references/playbooks/planning.md	新推荐系统的规划操作手册
references/playbooks/improving.md	现有推荐系统的诊断操作手册
assets/templates/_template.md	编写新规则的模板
metadata.json	版本、学科、权威参考 URL