很多賣家會(huì)問亞馬遜是否有任何規(guī)循。

事實(shí)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(xiàn)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(xí)慣、喜歡、購買記錄等數(shù)據(jù)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(xié)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(shù)據(jù),13457作為商品B的特征數(shù)據(jù),然后計(jì)算商品A和B的相似性。

因?yàn)橥粋€(gè)人買了A和B,那么A和B一定有一定的關(guān)系。

2.基于用戶緯度的協(xié)同過濾。

收集用戶購買、瀏覽、收集等商品數(shù)據(jù),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(jì)算A和B的相似性,并通過簡單的聚類將用戶聚集成幾個(gè)類別（鄰居）。

3.基于項(xiàng)目本身的相似性。

例如,服裝A和服裝B,用于計(jì)算其在風(fēng)格、價(jià)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(shí)推薦B。

當(dāng)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(shù)據(jù),所以它相對(duì)僵化,沒有個(gè)性化的推薦。

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

商品有幾十個(gè)屬性,對(duì)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(jì)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(shè)置相似性計(jì)算中的權(quán)重值,是一個(gè)非常大的項(xiàng)目。

亞馬遜的推薦系統(tǒng)也是世界上最早的行業(yè),我相信他們?cè)谶@個(gè)問題上必須有自己快速有效的方法。

4.應(yīng)用前強(qiáng)關(guān)聯(lián)規(guī)則。

重點(diǎn)是同一次購買記錄(當(dāng)然不是必然的,看你的選擇)。

首先,收集數(shù)據(jù)需要過濾掉購買一種商品的訂單。

然后對(duì)每個(gè)記錄進(jìn)行一對(duì)一的提取統(tǒng)計(jì),簡單的是兩個(gè)統(tǒng)計(jì)次數(shù),這是兩種商品同時(shí)購買的次數(shù),適用于一對(duì)一的推薦。

另一種是FPTreee算法,不僅是一對(duì)一推薦,還有一對(duì)二、二對(duì)一。

在這一過程中,關(guān)聯(lián)規(guī)則挖掘算法非常重要,其中信心和支持也需要不斷調(diào)整。

5.算法相互學(xué)習(xí)。

所有推薦系統(tǒng)之間的數(shù)據(jù)共享.定期自動(dòng)更新數(shù)據(jù).自動(dòng)學(xué)習(xí)一般來說,大多數(shù)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(wù)相結(jié)合,才能產(chǎn)生化學(xué)反應(yīng)。

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(duì)賣家開店有幫助。

連連跨境支付始終關(guān)注賣家的每一件小事,在以后的文章中也會(huì)帶來關(guān)于相關(guān)方面的文章幫助賣家更好的運(yùn)營。