机器学习PAI原论文的最终分数好像确实是有user和目标item的分数部分的？

是的，大多数推荐系统的评分函数都会考虑到用户和物品的因素。这是因为推荐系统的目标通常是找到用户可能感兴趣的物品，因此，用户的兴趣和物品的属性都是非常重要的因素。

在EasyRec模型中，最终的评分函数通常会考虑到用户和物品的嵌入向量的点积，以及其他一些因素，如物品的热门程度、物品的类别等。这些因素都会被综合考虑进来，以得到一个综合的评分。

论文部分可能和他们工程部分有出入，我们是参考的他们团队发的内部技术文章来做的。这块你也可以根据实际需求来定制化修改的。我们在实际客户场景下做过实验，也上线了，效果还可以。并且我们当时只用到了SimNet做离线，因为TriggerNet对线上工程的要求比较高。，此回答整理自钉群“【EasyRec】推荐算法交流群”

是的，一些推荐系统中的最终分数通常由用户和目标物品两部分组成。在许多情况下，计算最终分数的方法是在用户和目标物品之间构建一个交互矩阵，然后使用诸如协同过滤、深度学习或其他机器学习技术来预测用户对目标物品的兴趣程度。
举个例子，假设有两个用户 Alice 和 Bob，以及三个物品 X、Y 和 Z。则可以构建一个交互矩阵如下所示：

在这个交互矩阵中，每行表示一个用户，每列表示一个物品。然后，我们可以使用如协同过滤或其他机器学习技术来填充矩阵中的缺失项。例如，我们可以训练一个模型来预测 Alice 对 Y 的兴趣程度，Bob 对 Z 的兴趣程度等等。
在 EasyRec 中，最终分数通常是由用户和目标物品的嵌入表示相乘得到的。具体来说，用户和物品的嵌入表示会被馈送到一个多层感知机（MLP）中，以获得最终分数。
例如，假设用户 Alice 和物品 Y 的嵌入表示分别为 [0.1, 0.2, 0.3] 和 [0.4, 0.5, 0.6]。在 EasyRec 中，这两个嵌入表示会被连接在一起，然后馈送到 MLP 中以获取最终分数。
总之，最终分数通常是由用户和目标物品的特征共同决定的，而这些特征通常是通过一些机器学习技术计算得出的。