目录：
1. 亚马逊评价系统审核原理
1.1评价特征分类与算法
1.2高风险行为特征
2. 常见操作错误与规避方法
2.1评价比例控制
2.2新品与老产品的评价策略
2.3评价时间间隔管理
2.4复合评价行为密度控制
2.5评价内容原创性要求
2.6Listing操纵集中度风险
简介：
本文档深度解析亚马逊评价系统的审核机制，从技术层面揭示其聚类分析和神经决策网络的运作原理（详见文档P1）。系统通过12+维度特征值（如下单评价间隔、折扣敏感度、内容语义分析等）构建风险模型，当异常特征组合出现时，将触发警告或封号。
核心规避策略包括：
1. 操纵订单评价比例控制在10%-20%（P2），避免形成可识别的操作聚类；
2. 新品前30单/老产品前几单不建议留评，防止异常评价密度波动；
3. 评价时间间隔需呈现真实随机性（P3），建议设置15-60天不等的分散周期；
4. 限制Review+Feedback+图片的复合评价比例，此类行为在真实用户中仅占极少数；
5. 严禁抄袭竞品评价内容，绝对化用语会显著提高审核不通过率；
6. 多Listing分散操作，单一Listing长期高比例评价将引发批量删除风险（P4）。
推荐理由：
本指南解决卖家三大核心痛点：
1. 降低30%以上评价被删风险：通过系统化规避亚马逊算法敏感点；
2. 提升审核通过率：原创内容策略使合规评价留存率提高50%；
3. 规避账号封禁：科学分散操作策略保护账号安全。适用于需要快速积累安全评价的新品推广期，以及维护老产品评分的长期运营阶段。
评价风控智库：
神经决策网络：亚马逊用于检测异常评价的核心算法，通过机器学习分析数万个账号行为特征形成的决策模型。当评价行为触发多个风险特征组合时（如高频留评+固定时间间隔+高折扣订单），系统将自动计算人为操纵支持度（详见文档P1风险特征矩阵）。
