很多卖家会问亚马逊是否有任何规循。事实上,他们可以改变主意,了解亚马逊推荐的算法,轻松掌握亚马逊的规律。现在看到的一些推荐算法,一般都是基于物品本身的相似性、用户浏览习惯、喜欢、购买记录等数据的综合过滤推荐。以下就和卖家们分享亚马逊推荐商品的规律。

1.基于物体纬度的协同过滤。

例如,用户1、2、3、4、5、6购买商品A,用户1、3、4、5、7购买商品B,然后将123456作为商品A的特征属性数据,13457作为商品B的特征数据,然后计算商品A和B的相似性。

因为同一个人买了A和B,那么A和B一定有一定的关系。

2.基于用户纬度的协同过滤。

收集用户购买、浏览、收集等商品数据,列出用户购买的商品作为用户属性纬度。例如,如果用户A购买商品1.2.3.4.5,用户B购买商品1.2.5.6,则可以简单地将12345和1256作为A和B的属性特征字符串,计算A和B的相似性,并通过简单的聚类将用户聚集成几个类别(邻居)。

3.基于项目本身的相似性。

例如,服装A和服装B,用于计算其在风格、价格段、分类、属性、品牌定位等方面的相似性。如果相似性很高,用户可以在浏览A时推荐B。当然,这并不是那么简单。

衣服的这些属性并不依赖于用户。它不依赖于用户的行为数据,所以它相对僵化,没有个性化的推荐。

很多人都知道这个算法的想法,但是算法越简单,就越难达到好的效果,尤其是转化率很低的算法。

商品有几十个属性,对于不同类别的商品,不是所有的属性都需要包括在相似性计算中,包括属性但重要性是不同的,所以,筛选不同类别的必要属性,设置相似性计算中的权重值,是一个非常大的项目。亚马逊的推荐系统也是世界上最早的行业,我相信他们在这个问题上必须有自己快速有效的方法。

4.应用前强关联规则。

重点是同一次购买记录(当然不是必然的,看你的选择)。

首先,收集数据需要过滤掉购买一种商品的订单。然后对每个记录进行一对一的提取统计,简单的是两个统计次数,这是两种商品同时购买的次数,适用于一对一的推荐。

另一种是FPTreee算法,不仅是一对一推荐,还有一对二、二对一。

在这一过程中,关联规则挖掘算法非常重要,其中信心和支持也需要不断调整。

5.算法相互学习。

所有推荐系统之间的数据共享.定期自动更新数据.自动学习

一般来说,大多数推荐算法都很简单,但需要很好地使用,没有长期的积累是做不到的。

仅仅雇佣一些算法工程师,使用一些算法框架,基本上是不可能取得良好的推荐效果的。只有算法定业务相结合,才能产生化学反应。

以上就是和卖家们分享的亚马逊商品推荐的规律,希望对卖家开店有帮助。连连跨境支付始终关注卖家的每一件小事,在以后的文章中也会带来关于相关方面的文章帮助卖家更好的运营。