很多賣家會問亞馬遜是否有任何規(guī)循。

事實上,他們可以改變主意,了解亞馬遜推薦的算法,輕松掌握亞馬遜的規(guī)律。

現在看到的一些推薦算法,一般都是基于物品本身的相似性、用戶瀏覽習慣、喜歡、購買記錄等數據的綜合過濾推薦。

以下就和賣家們分享亞馬遜推薦商品的規(guī)律。

1.基于物體緯度的協同過濾。

例如,用戶1、2、3、4、5、6購買商品A,用戶1、3、4、5、7購買商品B,然后將123456作為商品A的特征屬性數據,13457作為商品B的特征數據,然后計算商品A和B的相似性。

因為同一個人買了A和B,那么A和B一定有一定的關系。

2.基于用戶緯度的協同過濾。

收集用戶購買、瀏覽、收集等商品數據,列出用戶購買的商品作為用戶屬性緯度。

例如,如果用戶A購買商品1.2.3.4.5,用戶B購買商品1.2.5.6,則可以簡單地將12345和1256作為A和B的屬性特征字符串,計算A和B的相似性,并通過簡單的聚類將用戶聚集成幾個類別（鄰居）。

3.基于項目本身的相似性。

例如,服裝A和服裝B,用于計算其在風格、價格段、分類、屬性、品牌定位等方面的相似性。

如果相似性很高,用戶可以在瀏覽A時推薦B。

當然,這并不是那么簡單。

衣服的這些屬性并不依賴于用戶。

它不依賴于用戶的行為數據,所以它相對僵化,沒有個性化的推薦。

很多人都知道這個算法的想法,但是算法越簡單,就越難達到好的效果,尤其是轉化率很低的算法。

商品有幾十個屬性,對于不同類別的商品,不是所有的屬性都需要包括在相似性計算中,包括屬性但重要性是不同的,所以,篩選不同類別的必要屬性,設置相似性計算中的權重值,是一個非常大的項目。

亞馬遜的推薦系統也是世界上最早的行業(yè),我相信他們在這個問題上必須有自己快速有效的方法。

4.應用前強關聯規(guī)則。

重點是同一次購買記錄(當然不是必然的,看你的選擇)。

首先,收集數據需要過濾掉購買一種商品的訂單。

然后對每個記錄進行一對一的提取統計,簡單的是兩個統計次數,這是兩種商品同時購買的次數,適用于一對一的推薦。

另一種是FPTreee算法,不僅是一對一推薦,還有一對二、二對一。

在這一過程中,關聯規(guī)則挖掘算法非常重要,其中信心和支持也需要不斷調整。

5.算法相互學習。

所有推薦系統之間的數據共享.定期自動更新數據.自動學習一般來說,大多數推薦算法都很簡單,但需要很好地使用,沒有長期的積累是做不到的。

僅僅雇傭一些算法工程師,使用一些算法框架,基本上是不可能取得良好的推薦效果的。

只有算法定業(yè)務相結合,才能產生化學反應。

以上就是和賣家們分享的亞馬遜商品推薦的規(guī)律,希望對賣家開店有幫助。

連連跨境支付始終關注賣家的每一件小事,在以后的文章中也會帶來關于相關方面的文章幫助賣家更好的運營。