亚马逊COSMO算法与Rufus AI购物助手下的Listing优化策略-13页

文件类型：Word文档

提取的文档内容：# PAGE 1 # 利用COSMO 算法逻辑的Listing 优化 # Part1.什么是COSMO 什么是COSMO:推动亚马逊搜索变革的AI 技术 COSMO(Common Sense Knowledge Generation and Serving Model)是亚马逊推出的一项创新算法,它结合了常识知识和人工智能技术,通过深度学习和大规模数据处理来优化搜索推荐体验。与传统的搜索引擎不同,COSMO 能够理解用户的真实意图,并根据这些意图提供更加相关的搜索结果。让我们详细探讨COSMO 算法的工作原理以及它如何影响亚马逊自然搜索。 # 一、COSMO 算法是如何工作的? COSMO 的工作原理基于对用户意图的深刻理解。举个例子,如果你在亚马逊上搜索"men shoes for wedding"(婚礼男士鞋),COSMO 能够识别出你可能实际寻找的是"硬底鞋"(hard bottom shoes),这是一种根据功能需求细化的搜索意图。传统的搜索引擎无法直接识别这种潜在的意图关联,但COSMO 应用了常识知识,并强化了搜索结果的相关性,从而能够精准匹配用户需求。 # 1.AI 驱动的预测与反馈循环 COSMO 依托于AI 模型,通过独特的行为数据和行业知识图谱来分析用户的搜索意图。COSMO 的智能系统通过一个训练循环不断优化其预测能力。在这个循环中,COSMO 会根据大规模语言模型(LLM)做出预测,并通过用户的反馈来进一步调整和改进预测结果,从而提升未来的推荐准确性。# PAGE 2

User Bchaviors LLMs Knowledge Prompt Generate TD Filter Instructions Annotate Instruction:Explain the search-buy Rule-based filtering pair with the capableOf relation. Human Input: Feedback Similarity filtering Query:winter coat Product: Long Sleeve Puffer Coat Output:providehigh-levelwarmth

此外,COSMO 结合了Rufus(亚马逊的全新购物对话助手)获取的丰富数据来增强其分析能力。通过Rufus,COSMO 能够分析商品的功能、使用场景以及消费者的具体需求,进一步提升推荐的精准度。例如,当用户查询"shoes for pregnant women"(孕妇鞋)时,COSMO 能够自动推断出孕妇可能需要防滑功能的鞋子。这一功能的背后是COSMO 构建的知识图谱, 知识图谱可能会使用'受众如何使用'的关系来连接防滑鞋与孕妇。图谱中包含了产品和人类情境之间的关系——不仅仅是产品的功能,还包括产品的目标受众、使用场景等信息。# PAGE 3

Want shoes for pregnant women ***# Intention (query) Bought a slip- Resistant shoe LongBay User behavior n's ang Men's nen's Adijustable m Slippef. Slip per's Non Slip wid.. ★★费费 费责费 Commonsense (Pregnant, require, slip-resistant)

# 2.知识图谱与商品匹配 COSMO 的工作流程是通过检查特定的功能来进行匹配,包含'used for','used on','used with','interested in'和'capable of'。例如,COSMO 会检查商品模板中的"主题"、"目标受众"和"包含的组件"等信息,以此来帮助系统理解产品的具体用途和消费者的实际需求。这使得COSMO 能够提供更加符合用户意图的搜索建议和推荐。# PAGE 4

E-commerceCommonsenseExtraction UserBehaviors item-itemco-purchase query-itemsearch-buy Domains Relations Clothing,Shoes & Jewelry Used_For_Func Sports&Outdoors Used_For_Event Home&Kitchen Used_For_Audience Patio,Lawn&Garden Capable_Of Tools&Home Improvement Used_As Musical Instruments Is_A Industrial&Scientific Used_On Automotive Used_In_Location Electronics Used_In_Body ... Baby Products 15Relations Arts, Crafts & Sewing Health& Household Toys& Games Tasks VideoGames Commonsense Generation Grocery&GourmetFood PlausibilityPrediction Office Products TypicalityPrediction Pet Supplies SearchRelevancePrediction Others Co-purchasePrediction 18 Domains 5Tasks

# 二、COSMO 如何影响亚马逊自然搜索? 虽然亚马逊尚未对A9算法(亚马逊的自然搜索算法)进行正式更新声明,但COSMO 算法已经在美国10%的流量中进行测试,并取得了显著的效果。在这一测试中,COSMO 提高了8%的导航参与度,显著提升了用户的互动和满意度。这一变化表明,COSMO 在增强搜索相关性和优化用户体验方面具有巨大的潜力。 # 1.个性化搜索结果:意图驱动的搜索优化 COSMO 的应用预计将在未来进一步扩展,它将使搜索查询与购物者的真实意图更加匹配,从而带来更加个性化、精细化的搜索结果。这与国内常见的"千人千面"算法有所不同,因为亚马逊严格遵循个人隐私保护法规,COSMO 的个性化推 荐仅基$于一$些地理位置、性别等公开数据,而非深度挖掘个人隐私数据。因此,COSMO 更多关注的是根据用户的意图和上下文提供精准的搜索结果。# PAGE5 这一变化对于关键词优化策略有着深远的影响。传统上,卖家需要依靠高搜索量和高相关度的关键词来优化产品详情页,以确保在A9算法的索引中获得好的排名。但在COSMO 算法下,搜索结果的排序将不再完全依赖于精确的关键词匹配,而是更多依赖于用户的购物意图和上下文。COSMO 会通过对历史搜索记录的分析和学习,做出对未来搜索需求的预测,并将用户的意图、上下文等因素作为关键的排名因素。 # 2.从关键词研究到用户画像 关键词研究正在演变为用户画像和购物者研究。关键词研究的传统方法正在发生转变。虽然关键词研究工具仍然对于了解消费者的搜索方式至关重要,但卖家需要更多地关注用户画像和购物者行为的分析。通过研究评论、退货数据和用户行为等,卖家可以为COSMO 算法提供更丰富的上下文信息,帮助算法更好地理解用户需求。这不仅能够提高搜索的准确性,还能提升搜索推荐的效果。 # Part2.关于Rufus # 一、Rufus 的核心功能 # 1.精准筛选需求:从广泛到具体的购物路径 Rufus 的一个重要功能是帮助消费者更精准地找到所需的商$商品。$传统的购物流程往往是用户通过广泛的搜索关键词来浏览商品,然而这往往容易产生大量无效流量。而Rufus 则通过对消费者提问的理解,帮助他们更精确地从广泛的类别中筛选出具体需求。例如,如果一个用户在亚马逊上搜索"耳机",Rufus 可能会引导他们逐步细化选择,最终确定自己需要的是"运动耳机"或"无线耳机",而非单纯的耳机产品。这样,Rufus 通过智能的引导和过滤,减少了无效流量,同时也使 购物决策变得更加高效。(Step1~Step2)# PAGE6

1X earphones O U Step1天词 Rufus+ beta HowcanIhelp? What are the key features to look for in earphones? How do different earphone designs impact audioquality? What are the benefits of wireless earphones? How do noise-cancelling earphones work? What are the best earphones for sports andworkouts? Step2过滤 咱 印 Rufus is learning.How did it do?

# 2.按场合推荐:场景化购物体验的提升 除了按需求筛选商品外,Rufus 还具备按场合或目的来推荐产品的功能。消费$费者$可以提出像"在寒冷天气打高尔夫需要什么?"或"我想在室内开辟一个花园"这样的问题,Rufus 则会根据场景推荐相关商品类别。对于卖家来说,我们的产品是否匹配这些特殊的限制词将是Rufus 是否能抓取你的产品并推荐给消费者的重要因素,这意味着你的产品如果能够匹配特定的场景或关键词(如"冬季高尔 夫装备"或"室内花园工具"),就有可能通过Rufus 推荐给潜在客户。(Step3~Step4)# PAGE 7

00 Q earphones X Rufus bta Whatarethebestearphonesforsportsand workouts? Step2过滤流量+细分场景 When choosing earphonesfor sports and workouts,prioritizeasecure andcomfortable fit,sweatandwaterresistance andexcellent soundJqualitytokeepyoumotivatedduring 1.Secure your activities.Here are some great options: Step3生成式回答 2.WaterResistance Search 3.Sound Quality JaybirdVistaTrue WirelessEarbudsFor... These earbudsfeature aSecure fitwith interchangeableeargels,sweatand WaterprooDrating,and excellentsoung Step4匹配和推荐产品 qualitywithcustomizableEQsettings.

# 3.产品对比:购物前置到比较环节 Rufus 不仅仅是一个简单的商品推荐工具,它还能够帮助消费者在不同产品间进行比较。例如,用户可以询问"唇彩和唇油的区别"或"滴滤咖啡机和手冲咖啡机哪个好",Rufus 会分析这些问题,并为消费者推荐最适合他们需求的产品类型。这个功能的核心在于,它将购物决策前置到了对比环节,消费者在点击购买之前,已经经历了一次"货比三家"的过程。 # 4.定制化推荐:AI 为消费者提供个性化选择 在产品推荐方面,Rufus 也展现了其强大的智能推荐能力。通过用户提出的具体问题,如"情人节送什么礼物好?"或"适合5岁孩子的恐龙玩具是什么?"Rufus 能够提供个性化的商品推荐,让消费者在众多商品中快速找到最符合需求的选项。与传统的搜索流量不同,Rufus 的推荐是基于AI 模型对用户需求的精准理解,绕开了传统的搜索点击路径,形成了新的流量来源。 # 二、卖家的新机会:如何优化以适应Rufus? 从上文可以了解到,Rufus 已经直接给消费者推荐listing 了。从此在搜索流量以外,我们# PAGE 8 有了新的流量来源,即AI 推荐流量,而区别于编辑推荐这种依附于搜索结果页的推荐流量,AI 推荐流量是绕过搜索点击,另起炉灶,属于没有中间商赚差价了。所以这也是苦大麦垄断流量久矣的中小卖家的新方向——优化listing 使之适配Rufus 抓取逻辑。除了Rufus 在搜索结果页给予消费者帮助和推荐,在产品详情页也会存在,而且会基于listing 描述和客户评论来source 的。所以,如果产品描述与实际不符,或者评论做的稀烂,消费者特别在意的痛点没有被满足,不排除Rufus 会在你的产品详情页推荐别的产品给消费者。详情页的流量防御,可能并不仅仅靠广告闭环就能解决了。因此我们的可以从以下方面着手优化: # 1.产品页面优化:确保信息准确完整 Rufus 不仅改变了消费者的购物方式,也为卖家提供了新的机会。在Rufus 的帮助下,消费者的购物路径变得更加个性化和精确,这要求卖家重新审视如何优化自己的产品展示和页面内容。首先,卖家需要确保产品信息的准确性和完整性。由于Rufus 依赖亚马逊庞大的产品目录、客户评论和社区问答来生成推荐,因此产品页面的描述和评论质量直接影响到产品是否能够通过Rufus 被推荐。如果描述不准确或者评论中存在负面信息,Rufus 可能会将消费者引导至竞争对手的产品页面。 # 2.关键词和场景匹配:提升推荐机会 此外,卖家还应关注产品与特定场景或节日关键词的匹配度。例如,针对"寒冷天气高尔夫"这一场景,卖家可以优化相关产品的关键词和描述,确保自己的商品能够出现在Rufus 的推荐列表中。通过精准的市场定位和关键词优化,卖家可以提高通过Rufus 获得流量的机会。 # 3.新流量渠道:优化产品适配AI 推荐逻辑 对于中小卖家而言,Rufus 的出现也意味着一种新的流量渠道。与传统的搜索流量依赖关键词排名不同,Rufus 的AI 推荐是基于用户意图和需求的深度分析,这为卖家提供了绕过传统搜索路径的机会。因此,优化产品以适应Rufus 的抓取逻辑,成为中小卖家突破流量瓶颈的一种可能策略。 # 三、数据来源与算法:Rufus 的智能基础 # 1.数据来源:亚马逊产品目录与用户互动为核心 Rufus 的智能基础依赖于亚马逊的庞大数据体系,这些数据主要来自以下几个方面: ⚫亚马逊的产品目录:这部分数据占据了最大的权重,是Rufus 进行推荐和生成答案的核心来源。产品目录包含了亚马逊平台上所有商品的详细信息、分类、属性等。Rufus 通# PAGE 9 过分析这些数据来识别不同商品之间的关系,并提供更精准的搜索和推荐。 ⚫客户评论:Rufus 还会分析来自消费者的评价信息,尤其是那些揭示产品优缺点、使用体验等的评论。这些用户生成内容帮助Rufus 更好地理解哪些产品更受欢迎,哪些产品在特定需求下表现更好。⚫社区问答:在亚马逊的问答平台上,消费者和卖家之间的互动同样为Rufus 提供了丰富的数据源。通过这些问答,Rufus 可以了解到用户对特定产品的常见疑问、关心的问题,进一步优化推荐的相关性。⚫外部网络信息:尽管产品目录和用户互动数据是Rufus 的核心来源,但外部网络信息(如互联网上的相关数据、新闻、评论等)也对Rufus 的推荐有所补充。这部分数据帮助Rufus 补充亚马逊目录中尚未完全覆盖的产品或信息,尤其是对那些尚未在亚马逊目录中列出的新兴商品或产品特性,外部网络信息起到了补充作用。 # 2.COSMO-LM 模型:深度理解消费者需求 Rufus 背后的算法也同样值得关注。尽管亚马逊没有公开具体的算法细节,但根据亚马逊科学部门发布的论文《COSMO:A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon》,可以推测Rufus 很可能采用了COSMO-LM 模型。这种基于常识推理的大型语言模型使得Rufus 能够理解复杂的用户需求,并为消费者提供更加精准和个性化的购物推荐。 # Part3.如何在全新框架下编写Listing 现在COSMO 算法对买家搜索端的影响已经显现,而最终Rufus 在前台呈现的listing 推送,背后也是COSMO-LM 模型对listing 进行了抓取——匹配——推送这3个过程,所以需要根据COSMO 算法的抓取逻辑来编写Listing。 我们从两个案例来感受RUFUS 对于买家搜索的影响。 例子一: 搜索Office Chair,会在前四个商品下面出现相关问题,选择问题会直接推荐产品 Havequestions?Rufuscanhelp. # PAGE 10 avequestions:Rufuscanhelp

What ergonomic features do different chair types offer? X Ergonomic chairs are designed to provide optimal support and comfort, reducing strain and impr roving posture. Here are some common options and their key ergonomic features: Search Search Search Ergonomic Office Ergonomic Office Ergonomic Office Chairs With Adjustable Chairs With Adjustable Chairs With Lumbar Support Armrests Breathable Mesh... These chairs have adjustable lumbar Adjustable armrests allow you to position Mesh backs allow for better airflow and support that can be customized to fit the your arms at a comfortable height, breathability, keeping you cool and natural curve of your spine, providing reducing strain on your shoulders and comfortable throughout the day. lower back support and reducing strain. neck What ergonomic features co cifferent chairs offer? What ergonomic features do erqonomic chairs provide? What ergonomic features do drafting chairs offer? What ergonomic features do kneeling chairs offer? What ergonomi addte chairs offer?

# 例子二:

SUU+ UUuyi III pdst IIrUrti1 4UU+ DUugn II1 pdst IUt11 SUU+ UUugit II pdst IuL1 /UU+ uUugt pdst I11 $3899 $309 List: $40.99 $369 List 546.99 $3499 FREE delivery Mon, Jul 8 FREE delivery Jul 31 - Aug 26 FREE delivery Mon, Jul 8 FREE delivery Mon, Jul 8 on $35 of Or fastest delivery Sun, Jul 7 Addtocart Or fastest delivery Sun, Jul 7 items shipped by Amazon Addtocart Addtocart Or fastest delivery Sun, Jul 7 Addtocart Another way to buy $19lit 4 FREE delivery Mon, Jul 8 on $35 of items shipped by Amazon Or fastest delivery Sun, Jul 7 Have questions?Rufus can help. Ask a question Wihat are the most popular clress styles and silhouettes? What fabrics are usecl to make clifferent types of dresse What are the care instructions for different dress materiais? What accessorres compiement cifferent cress styles? What cress lengths are avaiiable for varrous occasions? More results estSell

在选择对应问题后,会推荐多轮搜索的下一轮关键词

X

# PAGE 11 # Havequestions?Rufuscanhelp

What are the most popular dress styles and silhouettes? The most popular dress styles and silhouettes for 2024 are: - A-Line - This classic silhouette is fitted at the top and flares out from the waist, creating an A-shape. It's a universally flattering style that works for many body types. - Ball Gown - The ball gown has a fitted bodice and a full, voluminous skirt. This dramatic, princess-style silhouette is ideal for formal weddings. - Mermaid - The mermaid dress hugs the body closely from the bust to the knees before flaring out at the bottom. It's a curve-hugging style that emphasizes the hips and legs. Sheath - The sheath is a sleek, form-fitting dress that skims over the body's natural curves. It's a modern, minimalist style that works well for city hall or beach weddings. - Empire Waist - The empire waist dress has a fitted bodice and a raised, loose waist just below the bust. It creates an ethereal, flowy look that's flattering for many figures. A-Line Wedding Dress Ball Gown Wedding Dress Mermaid Wedding Dress Sheath Wediding Dress Empire Waist Wedidling Dress What dress styles suit specific bocy types? What dress styles work for beach weddings? What dress styles suit outdoor weddings? What diress styies suit incioor weddings? What cress styles suit different seasons? 1 初 Rufus is leorning. Heip improve it.

# 大家可以在自己的类目关键词下面看一下rufus 的预设问题和下一步推荐的内容,有针对 性地调整自己的listing 内容。 # 1.Listing 信息抓取 Commonsense Knowiedge. Following [52]. we leverage relationaware prompts for LLMs to explain the user behavior as knowledge candidates, which we represent the knowledge as the triple (71, 7, t) where r and r represent relation and tail respectively. For exampie, *customers bougnt camera case and screen protector giass together because they are capable of providing protection for camera* ‘provide protection for camera” is the tail under the relation capableOf Different from previous work [52] aligning commonsense relations from ConceptNet [35] for thousands of data, we can not simply adopt for millions of user behavior pairs due to computation constraints. Hence we propose data-driven relation discovery from large-scale generations to satisty e-commerce scenarios. The basic idea is to start from four seed reiations (i.e., usedFor, capableOf, isA, cause) that tend to generate diverse/high-quality knowledge according to the previous work [52] and mine frequent predicate patterns to manually summarize the relations. The most common pattern is "the product is capable of being used [Prep]", where [Prep] means prepositions. Generations with different prepositions represent different tail types, which can be further canonicalized. By doing so, we can also make generated knowiedge structured. Ve summarize our mined knowledge relation types and corresponding tail types # 解读: 常识知识。遵循[52]，我们利用LLM的关系感知提示来解释用户行为1 作为知识候选，我们将知识表示为三元组 （l1.r.t），其中r和t分别表示关系和尾部。例如，“客户一起购买相机外 壳和屏幕保护玻璃，因为它们能够为相机提供保护”，“为相机提供保护” 是关系capableOf下的尾部。与以前的工作[52]不同，[52]从ConceptNet [35]为数干个数据对齐常识关系，由于计算限制，我们不能简单地采用 数百万个用户行为对。因此，我们提出了从大规模生成中进行数据驱动 的关系发现，以满足电子商务场景。基本思想是从四个种子关系（即 usedFor、capableOf、isA、cause）开始根据以前的工作[52]，这些 关系倾向于生成多样化/高质量的知识，并挖掘频繁谓词模式以手动总结 关系。最常见的模式是"产品能够被使用[Prep]”，其中[Prep]表示介 词。具有不同介词的代代表不同的尾部类型，可以进一步规范化。通过 这样做，我们还可以使生成的知识结构化。我们在表2中总结了我们挖 掘的知识关系类型和相应的尾部类型以及示例。关系类型或尾部类型都 更具电子商务特异性，并且与日常场景密切相关，这可能需要常识 Listing 中含有used for,capable of,is a,cause 这4种关系的表达( (注意:不一定是含 有这4个关键词),最容易生成高质量的知识,因为带有这些关系的上下文,都是对产品# PAGE 12 的功能实现/目的描述/场景描述等等,最容易让算法理解,所以优先抓取这类信息。 # 2.问题查询和Listing 内容匹配

4.1 Search Relevance X 4.1搜索相关性 Determining relevance scores between the search query and 确定搜索查询和文档之间的相关性得分是信息检索的核心，它是搜索引 documents lies the core of information retrievai, which serves as 擎的重要组成部分[34]。电子商务产品搜索的一个主要挑战是查询和产 crucial components for search engines [34]. A major challenge in 品目录之间的语义差距[13.22]。其中一些需要丰富的常识知识来将它们 e-commerce product search is the semantic gap between queries 连接在一起。例如，查询”冬装“通常暗示用户想要保暖的衣服。因此， and product catalogs [13, 22]. Some of them require abundant 我们利用COSMO知识来解释搜索购买行为，从而增强搜索相关性预 commonsense knowiedge to bridge them together. For example, the 测。 query “winter clothes* often implicates the users want clothes to 正式地，给定一个查询Q={q1.q2.qn）和一个检索到的产品列表D， keep warm. Hence we augment search relevance prediction with 其中PED，排名或分类任务都需要每个查询-产品对的相关性得分 COSMO knowledge expiaining search-buy behaviors. Formally, given a query Q = {β1, 2. , gi) and a list of retrieved {Q. P) [26]。 在实 务系统中每个产品者 products D where P ∈ D, either ranking or classification tasks require 如产品标题、描述和 the reievance score of each query-product pair (Q. P) [26]. In real e-commerce systems, each product is accompanied 属性。为简单起见，我们将它们连接成一个单一的文本跨度P={p1，p2. Dy side information, e.g., product titie, cescriptions and p)。如前所述，查询Q中的用户意图和产品 attributes. To be simple, we concatenate them into one single text span P = (p1. p2, ., p). As aforementioned that there remains 信息P之间仍然存在语义差距，我们利用COSMO-LM在查询-产品对背 semantic gaps between user intentions in the query Q and product 后生成常识 information P, we leverage COSMO-LM to generate commonsense knowledge G = {g1, g2., ,g 知识G ={g1. g2.,., g ) behind the query-product pairs and explicitly enhance their connections. 并明确增强它们的连接。

# 解读: 第一步说明了算法优先抓取哪四类关系,第二步说明了这四类关系从哪里抓,即产品标题, 描述,属性等。 # 3.排序推送

4.1.1 Experiment Setup. We adopt open-released Amazon shopping X 4.1.1实验设置。我们采用KDDCup2022公开发布的亚马逊购物查询数 query datasets6 据集6，按照任务2的设置，测量搜索相关性的问题被表述为四类分类 from KDD Cup 2022. Following the settings of 问题： 区分给定产品是用户查询的精确匹配、替代匹配、补充匹配还是 Task 2. the problem of measuring search relevance is formulated as 不相关匹配。 内了验证我们方法的泛化能力，我们还从我们的在线系统 a four-class classification problem: to distinguish a given procuct 中收集了类似的数据集，以适应不同市场的产品种类和语言习惯，即美 as an Exact, Substitute, Complement, or lrrelevant match for a user's 国（us)、加拿大（ca)、英国（uk)和印度（in)。数据集统计信息报告于表 query. In order to verify the generalization of our approach, we aiso 5中。考虑到类别不平衡分布，我们报告了宏观F1和微观F1，但更关 collect similar datasets from our online system to accommodiate 注前者。 product varieties and languages habits across different markets, i.e., United States (us), Canada (ca), United Kingdom (uk), and India (in). Dataset statistics are reported in Table 5. Considiering the class imbalance distribution, we report Macro F1 and Micro F1 but 4.1 1 Shiyan shezhi Women caryong KOD Cup 2022 gongka fabu de yamaxun gouwuj chaxun shju ji 6 Anzhao renwu 2 de shezhi celrang sousu xiangguan xing de wenti be focus more on the former one. biaoshu wei ile fenle wenti: Qufen ge ding chanpin shi yongh chaxin de jngque pipei, 格升 心 758 / 5 000 的 U # K

# 解读: 从这些地方抓到关系信息后,COSMO-LM 把内容做了一个集合P,同时将问题查询的集合# PAGE 13 Q 开始进行相关性匹配,P 和Q 的相关度影响了下一步系统对Listing 的推荐。在论文里这种匹配度被归类为4种类型: 精准匹配 替代匹配 补充匹配 不相关匹配 # 即使在同一种匹配类型中,也存在高低之差,假设同为精准匹配: P1和Q 的相关度为90% P2和Q 的相关度为80% 以此类推,最终排在Rufus 推荐位第一个的,应该是相关度最高的P1集合。 综上,搜索和文案的相关度是Listing 排序推荐的重要影响因子可能没有之一 # 结语 COSMO 和Rufus 代表了亚马逊搜索与推荐系统的重大升级,它们通过深度理解用户的意图和需求,推动了搜索体验的个性化和智能化。对于卖家而言,这意味着新的流量来源和优化路径。通过重新审视关键词策略、优化产品页面以及深入分析用户行为,卖家可以更好地适应这一新兴的搜索逻辑,提高产品在COSMO 推荐中的曝光率和转化率。在这个变革的时代,适应COSMO 和Rufus 的搜索与推荐机制将是赢得市场竞争的关键。

文件大小：2.0MB

文档页数：13

适用平台：Amazon

数据用途：提升搜索相关性及AI推荐流量转化