推荐在Amazon.com的运用

Amazon作为推荐系统的老大(King of recommender system)。Amazon的前科学家Greg Linden在他们的blog中也讨论了推荐系统在Amazon中的作用，他提到在他离开时（2002年），推荐系统对Amazon的贡献额在20%左右。以下为个人收集的，关于亚马逊推荐的一些零散的信息，分享出来，期望给对这方面有兴趣的同学做参考。

一、推荐给Amazon带来的效益

1、增加重复购买率

关于B2C平台的重复购买率：Vancl（凡客）是40%，电子商务企业平均水平是50%，而卓越亚马逊是80%；据说卓越亚马逊每年用于营销推广的费用占运营总成本的仅10%左右，这才是电子商务企业所真正需要的指标。吸引新客户的成本越来越低，客户忠诚度越来越高。重复购买率与亚马逊的推荐机制不无关系。因为当用户登录后进入亚马逊首页时，看到的是根据其历史行为和反馈数据生成的个性化定制页面。一个人的性格和兴趣往往是稳定的，关联推荐的价值便在这里。

2、提高转化率

目前整个电子商务领域的平均订单转化率是3%。平台的转化率的最高；绝大多数B2C的转化率都在1%以下；当当做的比较好能到3%，Amazon可以到4.5%。访问amazon的访客最终下单的比率要高出行业平均比例50%，这个跟访客进入页面看到的是自己的感兴趣的个性化页面而不是密密麻麻的分类列表不无关系。

二、Amazon推荐使用场景

站点首页

热销商品幻灯图片广告
更多供您考虑的商品（浏览过的商品+查看此商品的顾客也查看了）（同类目）（会出现多个）
与您浏览过的商品相关的推荐（查看此商品的顾客也查看了）
根据浏览记录为您推荐
更多为你首选商品（根据浏览记录比如搜索的推荐）
根据购物习惯为您推荐（购买了你浏览过商品的还购买了）
更多推荐（根据历史购买商品的推荐）
您最近浏览过的商品
继续购买:购买了您最近浏览过的商品的顾客同时购买了
销量排行榜（看过的类目）
新品排行榜（看过的类目）
其他客户正在浏览的商品
最受欢迎的打折商品

商品设置页

我已经有了
不感兴趣
给商品打分

我的浏览记录页

查看或编辑最近浏览过的商品记录

购物车页

购买了购物车中商品的顾客同时购买了
最新购买了最后添加到购物车商品的顾客同时购买了
最近浏览过的商品
继续购买:购买了您最近浏览过的商品的顾客同时购买了

添加购物车页

该类目下最畅销商品
该类目下评价最好的商品
浏览了该商品的用户还浏览了
购买了购物车中商品的顾客同时购买了
购买了该商品的用户还从其他商品类目购买了
按类目组合推荐（部分产品）（向下营销）

改善建议页

您已购买的商品（评分/请不要用于推荐）
您标记为“我拥有”的商品（评分/请不要用于推荐）
我打过分的商品 （评分/请不要用于推荐）
你标志过不感兴趣的商品（不感兴趣）

Amazon Betterizer页面

刷新列表
标识喜欢的条目
生成推荐数据

为我推荐页

今日推荐
我最近浏览的商品
我关注的商品
根据浏览记录推荐给我商品

列表页

您最近浏览过的商品
继续购买:购买了您最近浏览过的商品的顾客同时购买了

浏览记录页

删除浏览记录
我也许会喜欢…

详情页

商品促销和特殊优惠（打包优惠）
通常一起购买的商品
购买此商品的顾客也同时购买
看过此商品后顾客买的其它商品
同类目销售榜
查找其他相似商品（面包屑导航）
您最近浏览过的商品
继续购买:购买了您最近浏览过的商品的顾客同时购买了
访问此页面的用户可能对以下赞助商感兴趣
外部网站投放的广告
同品牌的商品推荐
类目推荐（相关类目的其他商品）

心愿单页

查找其他人的心愿单
购买了您心愿单上商品的顾客还会购买

加入心愿单页

购买此商品的顾客也同时购买

记忆搜索页

发送照片推荐照片中内容

社区页

点评
打分

秒杀页

正在抢购
热门促销汇总
特惠商品（类目）
清仓特价 销售排行榜

可以看到，Amazon的推荐几乎遍布全站每一个页面。但是貌似中国用户更多的关注价格，可以看到中国亚马逊首页上打折促销的会比较多。可能这样更加符合中国网购用户习惯。

三、Amazon推荐引擎的主要构成

以下的构成应该是每个推荐引擎都应具备的，即：

场景引擎是用来计算的用户意图。它是将用户的行为与他们在站点上的需求相对接。包括定义哪些点击属于“随意浏览”，哪些点击属于“有定向目标的浏览”，哪些点击属于“强需求的挑选”…
规则引擎是一套预定义的决策方案，例如在以上的“强需求的挑选”意图下和“有定向目标的浏览”意图下，分别应该对应怎样的规则，再利用算法，这些意图转化为合适的推荐数据。如今这些规则中往往还会引入社交关系。
内容引擎则是为推荐的内容选取最合适的展示形式，即合适的位置。因为我们如今接触的推荐系统中往往有多种不同的推荐内容，例如“你可能感兴趣的商品”、“其他人购买了什么商品”，有的推荐系统里甚至还有相关的用户等内容推荐。

四、Amazon使用的推荐算法

从公开的资料中，可以考到Amazon采用的是Item Base算法。以下为一些结合示例的分析。

1、基于个人交易和反馈信息的推荐机制

在访问亚马逊的时候，你会发现会有“我的亚马逊”和“我的账户”两个页面，在其他网站，基本上表达的都是同一个意思，但是在亚马逊上，“我的亚马逊”和“我的账户”是两个概念。“我的亚马逊”的功能是针对用户购物历史和反馈数据给用户的一个推荐平台，而“我的账户”是一个账户信息和订单信息的管理平台。“我的亚马逊”记录了登录后的商品浏览记录，根据浏览和购买记录提供的推荐产品。整个页面的功能非常清晰，中间大幅位置只用于展示推荐商品，并且鼠标指向是有悬浮下拉菜单提供反馈数据。用户可以反馈“已经拥有”或者“不感兴趣”，并且根据个人喜好给商品打分。在顶部自导航条中的“设置为我推荐”下也可以进行相似设置。用户可以选择那些内容可以被作为推荐依据，那些不需要作为推荐依据。这使得通过用户提交数据优化纯机器推荐带来的弊端，是最终推荐结果真正符合用户需求和爱好。这些用户历史数据和反馈数据奠定了亚马逊的用户数据分析和商品推荐机制，通过历史数据分析和对反馈信息的学习，提高网站推荐商品对于特定客户符合程度。

2、基于公共行为的推荐机制

在亚马逊的很多地方，可以看到类似的推荐内容：有25%的访客买了…，8%的用户买了…而7%的用户买了…整个正式上面说的基于item base的推荐，此推荐算法加大了每天的商品数量，直接带来的是销售额的增长及物流成本的降低。

五、亚马逊的数据分析

如果你留意亚马逊，你会发现亚马逊的URL带着非常多的跟踪参数，真是这些数据打造了一个无比强大的亚马逊。所以要做推荐引擎，先从数据获取做起。另外，不得不说亚马逊还有很多改进之处，比如我购买了一台笔记本电脑后，他还会给我推荐另外的笔记本，这就显得非常的不人性。