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，那幺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，这并不是那幺简单。
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。
