根據(jù)公開數(shù)據(jù)顯示，亞馬遜的銷量中有高達(dá)35%來自于其強(qiáng)大的推薦系統(tǒng)。對(duì)于賣家而言，這35%的流量絕對(duì)是一個(gè)不可忽視的數(shù)字。那么，什么是推薦系統(tǒng)呢？亞馬遜賣家們又了解過嗎？

亞馬遜的推薦系統(tǒng)是一種先進(jìn)的智能工具，其依據(jù)用戶的過往行為、社交關(guān)系、興趣點(diǎn)及所處的上下文環(huán)境等信息，精準(zhǔn)預(yù)測(cè)并推薦用戶可能感興趣或需要的商品。這一系統(tǒng)不僅是一種信息過濾方法，還與搜索和類目導(dǎo)航共同構(gòu)成了三大主流信息過濾方式。最常見的應(yīng)用場(chǎng)景就是首頁(yè)推薦和詳情頁(yè)推薦。

為何今天我們要特別探討推薦系統(tǒng)呢？各位賣家是否注意到，亞馬遜官方近期發(fā)布了一篇名為《RecMind：用于推薦的大型語言模型代理》的論文？在這篇論文中，亞馬遜詳細(xì)介紹了一個(gè)名為RecMind的自主推薦代理，該代理能夠利用外部知識(shí)，并通過精心設(shè)計(jì)的工具向用戶提供個(gè)性化的推薦。

RecMind的核心是基于自我激勵(lì)算法，結(jié)合了深度學(xué)習(xí)和大型語言模型的技術(shù)，能夠?yàn)橛脩籼峁┚珳?zhǔn)的個(gè)性化推薦。該算法在每個(gè)決策步驟中都會(huì)回顧并考慮所有先前的狀態(tài)，以更智能地規(guī)劃下一步。相較于傳統(tǒng)推薦系統(tǒng)，RecMind能更好地理解用戶的歷史行為和偏好，從而提供更為精準(zhǔn)的推薦。

簡(jiǎn)單來說，RecMind就像是一個(gè)優(yōu)化的導(dǎo)航系統(tǒng)，幫助用戶更精確地找到他們需要的產(chǎn)品。對(duì)于賣家來說，了解推薦系統(tǒng)的工作原理以及最新的推薦算法變化，是抓住流量的關(guān)鍵。

一、RecMind推薦系統(tǒng)的工作原理

RecMind的核心是一個(gè)自我激勵(lì)算法（Self-Inspiring SI），這一算法能夠在生成新決策時(shí)回顧歷史信息，從而做出更精準(zhǔn)的推薦。與原先的算法相比，SI算法在保留了所有歷史路徑中的狀態(tài)信息的還進(jìn)行了優(yōu)化，使得推薦的準(zhǔn)確性和相關(guān)性得到了進(jìn)一步提升。

RecMind的工作過程主要依賴三大組件：規(guī)劃組件、記憶組件和工具組件。規(guī)劃組件將復(fù)雜的推薦任務(wù)分解為小步驟，逐步推進(jìn)；記憶組件具備長(zhǎng)期記憶能力，可以存儲(chǔ)和回憶用戶的個(gè)性化信息和廣泛的世界知識(shí)；而工具組件則集成了多種外部資源和工具，以增強(qiáng)其功能并輔助推理過程。

當(dāng)一位用戶最近瀏覽了A產(chǎn)品并有著豐富的購(gòu)買歷史時(shí)，RecMind便會(huì)啟動(dòng)其個(gè)性化推薦功能。它會(huì)先搜尋數(shù)據(jù)庫(kù)，追溯用戶的過往評(píng)價(jià)和評(píng)分記錄，然后利用網(wǎng)絡(luò)搜索引擎探索產(chǎn)品類別，深入理解用戶需求，并基于這些信息預(yù)測(cè)用戶對(duì)A產(chǎn)品的評(píng)分。如果預(yù)測(cè)結(jié)果積極，RecMind就會(huì)向用戶推薦這款產(chǎn)品。

目前的研究結(jié)果表明，RecMind在多個(gè)任務(wù)上的表現(xiàn)都超越了現(xiàn)有的基于LLM的推薦方法。即使在零樣本的情況下，RecMind也能提供高質(zhì)量的推薦。這預(yù)示著它在未來的電商領(lǐng)域有著廣闊的應(yīng)用前景。

二、構(gòu)建常識(shí)知識(shí)圖譜助力產(chǎn)品推薦

除了RecMind這樣的先進(jìn)技術(shù)外，亞馬遜還在努力構(gòu)建一個(gè)常識(shí)知識(shí)圖譜來輔助產(chǎn)品推薦。這個(gè)圖譜編碼了亞馬遜商店中產(chǎn)品與人類使用場(chǎng)景之間的關(guān)系，包括產(chǎn)品的功能、目標(biāo)受眾和使用地點(diǎn)等屬性。例如，當(dāng)一位孕婦搜索鞋子時(shí)，知識(shí)圖譜能幫助推薦系統(tǒng)理解她可能需要防滑鞋。

為了實(shí)現(xiàn)這一目標(biāo)，亞馬遜還引入了COSMO框架來提高推薦的準(zhǔn)確性和相關(guān)性。COSMO涉及一個(gè)遞歸過程，通過大型語言模型（LLMs）生成關(guān)于查詢-購(gòu)買和共同購(gòu)買數(shù)據(jù)的常識(shí)性假設(shè)。這些假設(shè)再經(jīng)過人工注釋和機(jī)器學(xué)習(xí)模型的過濾后，提取出指導(dǎo)原則來提升推薦的準(zhǔn)確性和相關(guān)性。

基于用戶行為和大語言模型（LLMs）的知識(shí)生成流程包括記錄用戶行為、生成提示、生成知識(shí)、過濾知識(shí)和人類反饋等步驟。最終，這些高質(zhì)量的知識(shí)將被保存和使用在推薦系統(tǒng)中。以用戶查詢“冬季外套”為例，如果用戶點(diǎn)擊了“長(zhǎng)袖羽絨服”，系統(tǒng)則會(huì)根據(jù)知識(shí)圖譜和COSMO框架在推薦頁(yè)面上展示具有高水平保暖功能屬性的外套產(chǎn)品。

亞馬遜表示，通過構(gòu)建常識(shí)知識(shí)圖譜并運(yùn)用COSMO框架他們已在產(chǎn)品推薦領(lǐng)域邁出了創(chuàng)新的一步這不僅提升了推薦的相關(guān)性和準(zhǔn)確性還為顧客提供了更加個(gè)性化和滿意的購(gòu)物體驗(yàn)。

綜上所述無論是通過先進(jìn)的推薦算法還是構(gòu)建常識(shí)知識(shí)圖譜亞馬遜都在努力為賣家和買家之間搭建一座更加精準(zhǔn)和高效的橋梁而這也將是電商行業(yè)未來發(fā)展的重要方向之一。（來源：未知）以上內(nèi)容僅供參考不代表任何立場(chǎng)僅供讀者參考學(xué)習(xí)使用。)