利用COSMO算法邏輯的Listing優(yōu)化Part1.什么是COSMO什么是COSMO：推動(dòng)亞馬遜搜索變革的AI技術(shù)COSMO（CommonSenseKnowledgeGenerationandServingModel）是亞馬遜推出的一項(xiàng)創(chuàng)新算法，它結(jié)合了常識(shí)知識(shí)和人工智能技術(shù)，通過深度學(xué)習(xí)和大規(guī)模數(shù)據(jù)處理來優(yōu)化搜索推薦體驗(yàn)。與傳統(tǒng)的搜索引擎不同，COSMO能夠理解用戶的真實(shí)意圖，并根據(jù)這些意圖提供更加相關(guān)的搜索結(jié)果。讓我們?cè)敿?xì)探討COSMO算法的工作原理以及它如何影響亞馬遜自然搜索。一、COSMO算法是如何工作的？COSMO的工作原理基于對(duì)用戶意圖的深刻理解。舉個(gè)例子，如果你在亞馬遜上搜索“menshoesforwedding”（婚禮男士鞋），COSMO能夠識(shí)別出你可能實(shí)際尋找的是“硬底鞋”（hardbottomshoes），這是一種根據(jù)功能需求細(xì)化的搜索意圖。傳統(tǒng)的搜索引擎無法直接識(shí)別這種潛在的意圖關(guān)聯(lián)，但COSMO應(yīng)用了常識(shí)知識(shí)，并強(qiáng)化了搜索結(jié)果的相關(guān)性，從而能夠精準(zhǔn)匹配用戶需求。AI驅(qū)動(dòng)的預(yù)測(cè)與反饋循環(huán)COSMO依托于AI模型，通過獨(dú)特的行為數(shù)據(jù)和行業(yè)知識(shí)圖譜來分析用戶的搜索意圖。COSMO的智能系統(tǒng)通過一個(gè)訓(xùn)練循環(huán)不斷優(yōu)化其預(yù)測(cè)能力。在這個(gè)循環(huán)中，COSMO會(huì)根據(jù)大規(guī)模語言模型（LLM）做出預(yù)測(cè)，并通過用戶的反饋來進(jìn)一步調(diào)整和改進(jìn)預(yù)測(cè)結(jié)果，從而提升未來的推薦準(zhǔn)確性。此外，COSMO結(jié)合了Rufus（亞馬遜的全新購物對(duì)話助手）獲取的豐富數(shù)據(jù)來增強(qiáng)其分析能力。通過Rufus，COSMO能夠分析商品的功能、使用場(chǎng)景以及消費(fèi)者的具體需求，進(jìn)一步提升推薦的精準(zhǔn)度。例如，當(dāng)用戶查詢“shoesforpregnantwomen”（孕婦鞋）時(shí)，COSMO能夠自動(dòng)推斷出孕婦可能需要防滑功能的鞋子。這一功能的背后是COSMO構(gòu)建的知識(shí)圖譜，知識(shí)圖譜可能會(huì)使用‘受眾如何使用’的關(guān)系來連接防滑鞋與孕婦。圖譜中包含了產(chǎn)品和人類情境之間的關(guān)系——不僅僅是產(chǎn)品的功能，還包括產(chǎn)品的目標(biāo)受眾、使用場(chǎng)景等信息。知識(shí)圖譜與商品匹配COSMO的工作流程是通過檢查特定的功能來進(jìn)行匹配，包含‘usedfor','usedon','usedwith','interestedin'和'capableof'。例如，COSMO會(huì)檢查商品模板中的“主題”、“目標(biāo)受眾”和“包含的組件”等信息，以此來幫助系統(tǒng)理解產(chǎn)品的具體用途和消費(fèi)者的實(shí)際需求。這使得COSMO能夠提供更加符合用戶意圖的搜索建議和推薦。二、COSMO如何影響亞馬遜自然搜索？雖然亞馬遜尚未對(duì)A9算法（亞馬遜的自然搜索算法）進(jìn)行正式更新聲明，但COSMO算法已經(jīng)在美國10%的流量中進(jìn)行測(cè)試，并取得了顯著的效果。在這一測(cè)試中，COSMO提高了8%的導(dǎo)航參與度，顯著提升了用戶的互動(dòng)和滿意度。這一變化表明，COSMO在增強(qiáng)搜索相關(guān)性和優(yōu)化用戶體驗(yàn)方面具有巨大的潛力。個(gè)性化搜索結(jié)果：意圖驅(qū)動(dòng)的搜索優(yōu)化COSMO的應(yīng)用預(yù)計(jì)將在未來進(jìn)一步擴(kuò)展，它將使搜索查詢與購物者的真實(shí)意圖更加匹配，從而帶來更加個(gè)性化、精細(xì)化的搜索結(jié)果。這與國內(nèi)常見的“千人千面”算法有所不同，因?yàn)閬嗰R遜嚴(yán)格遵循個(gè)人隱私保護(hù)法規(guī)，COSMO的個(gè)性化推薦僅基于一些地理位置、性別等公開數(shù)據(jù)，而非深度挖掘個(gè)人隱私數(shù)據(jù)。因此，COSMO更多關(guān)注的是根據(jù)用戶的意圖和上下文提供精準(zhǔn)的搜索結(jié)果。這一變化對(duì)于關(guān)鍵詞優(yōu)化策略有著深遠(yuǎn)的影響。傳統(tǒng)上，賣家需要依靠高搜索量和高相關(guān)度的關(guān)鍵詞來優(yōu)化產(chǎn)品詳情頁，以確保在A9算法的索引中獲得好的排名。但在COSMO算法下，搜索結(jié)果的排序?qū)⒉辉偻耆蕾囉诰_的關(guān)鍵詞匹配，而是更多依賴于用戶的購物意圖和上下文。COSMO會(huì)通過對(duì)歷史搜索記錄的分析和學(xué)習(xí)，做出對(duì)未來搜索需求的預(yù)測(cè)，并將用戶的意圖、上下文等因素作為關(guān)鍵的排名因素。從關(guān)鍵詞研究到用戶畫像關(guān)鍵詞研究正在演變?yōu)橛脩舢嬒窈唾徫镎哐芯?。關(guān)鍵詞研究的傳統(tǒng)方法正在發(fā)生轉(zhuǎn)變。雖然關(guān)鍵詞研究工具仍然對(duì)于了解消費(fèi)者的搜索方式至關(guān)重要，但賣家需要更多地關(guān)注用戶畫像和購物者行為的分析。通過研究評(píng)論、退貨數(shù)據(jù)和用戶行為等，賣家可以為COSMO算法提供更豐富的上下文信息，幫助算法更好地理解用戶需求。這不僅能夠提高搜索的準(zhǔn)確性，還能提升搜索推薦的效果。Part2.關(guān)于Rufus一、Rufus的核心功能精準(zhǔn)篩選需求：從廣泛到具體的購物路徑Rufus的一個(gè)重要功能是幫助消費(fèi)者更精準(zhǔn)地找到所需的商品。傳統(tǒng)的購物流程往往是用戶通過廣泛的搜索關(guān)鍵詞來瀏覽商品，然而這往往容易產(chǎn)生大量無效流量。而Rufus則通過對(duì)消費(fèi)者提問的理解，幫助他們更精確地從廣泛的類別中篩選出具體需求。例如，如果一個(gè)用戶在亞馬遜上搜索“耳機(jī)”，Rufus可能會(huì)引導(dǎo)他們逐步細(xì)化選擇，最終確定自己需要的是“運(yùn)動(dòng)耳機(jī)”或“無線耳機(jī)”，而非單純的耳機(jī)產(chǎn)品。這樣，Rufus通過智能的引導(dǎo)和過濾，減少了無效流量，同時(shí)也使購物決策變得更加高效。（Step1~Step2）按場(chǎng)合推薦：場(chǎng)景化購物體驗(yàn)的提升除了按需求篩選商品外，Rufus還具備按場(chǎng)合或目的來推薦產(chǎn)品的功能。消費(fèi)者可以提出像“在寒冷天氣打高爾夫需要什么？”或“我想在室內(nèi)開辟一個(gè)花園”這樣的問題，Rufus則會(huì)根據(jù)場(chǎng)景推薦相關(guān)商品類別。對(duì)于賣家來說，我們的產(chǎn)品是否匹配這些特殊的限制詞將是Rufus是否能抓取你的產(chǎn)品并推薦給消費(fèi)者的重要因素，這意味著你的產(chǎn)品如果能夠匹配特定的場(chǎng)景或關(guān)鍵詞（如“冬季高爾夫裝備”或“室內(nèi)花園工具”），就有可能通過Rufus推薦給潛在客戶。（Step3~Step4）產(chǎn)品對(duì)比：購物前置到比較環(huán)節(jié)Rufus不僅僅是一個(gè)簡單的商品推薦工具，它還能夠幫助消費(fèi)者在不同產(chǎn)品間進(jìn)行比較。例如，用戶可以詢問“唇彩和唇油的區(qū)別”或“滴濾咖啡機(jī)和手沖咖啡機(jī)哪個(gè)好”，Rufus會(huì)分析這些問題，并為消費(fèi)者推薦最適合他們需求的產(chǎn)品類型。這個(gè)功能的核心在于，它將購物決策前置到了對(duì)比環(huán)節(jié)，消費(fèi)者在點(diǎn)擊購買之前，已經(jīng)經(jīng)歷了一次“貨比三家”的過程。定制化推薦：AI為消費(fèi)者提供個(gè)性化選擇在產(chǎn)品推薦方面，Rufus也展現(xiàn)了其強(qiáng)大的智能推薦能力。通過用戶提出的具體問題，如“情人節(jié)送什么禮物好？”或“適合5歲孩子的恐龍玩具是什么？”Rufus能夠提供個(gè)性化的商品推薦，讓消費(fèi)者在眾多商品中快速找到最符合需求的選項(xiàng)。與傳統(tǒng)的搜索流量不同，Rufus的推薦是基于AI模型對(duì)用戶需求的精準(zhǔn)理解，繞開了傳統(tǒng)的搜索點(diǎn)擊路徑，形成了新的流量來源。賣家的新機(jī)會(huì)：如何優(yōu)化以適應(yīng)Rufus？從上文可以了解到，Rufus已經(jīng)直接給消費(fèi)者推薦listing了。從此在搜索流量以外，我們有了新的流量來源，即AI推薦流量，而區(qū)別于編輯推薦這種依附于搜索結(jié)果頁的推薦流量，AI推薦流量是繞過搜索點(diǎn)擊，另起爐灶，屬于沒有中間商賺差價(jià)了。所以這也是苦大麥壟斷流量久矣的中小賣家的新方向——優(yōu)化listing使之適配Rufus抓取邏輯。除了Rufus在搜索結(jié)果頁給予消費(fèi)者幫助和推薦，在產(chǎn)品詳情頁也會(huì)存在，而且會(huì)基于listing描述和客戶評(píng)論來source的。所以，如果產(chǎn)品描述與實(shí)際不符，或者評(píng)論做的稀爛，消費(fèi)者特別在意的痛點(diǎn)沒有被滿足，不排除Rufus會(huì)在你的產(chǎn)品詳情頁推薦別的產(chǎn)品給消費(fèi)者。詳情頁的流量防御，可能并不僅僅靠廣告閉環(huán)就能解決了。因此我們的可以從以下方面著手優(yōu)化：產(chǎn)品頁面優(yōu)化：確保信息準(zhǔn)確完整Rufus不僅改變了消費(fèi)者的購物方式，也為賣家提供了新的機(jī)會(huì)。在Rufus的幫助下，消費(fèi)者的購物路徑變得更加個(gè)性化和精確，這要求賣家重新審視如何優(yōu)化自己的產(chǎn)品展示和頁面內(nèi)容。首先，賣家需要確保產(chǎn)品信息的準(zhǔn)確性和完整性。由于Rufus依賴亞馬遜龐大的產(chǎn)品目錄、客戶評(píng)論和社區(qū)問答來生成推薦，因此產(chǎn)品頁面的描述和評(píng)論質(zhì)量直接影響到產(chǎn)品是否能夠通過Rufus被推薦。如果描述不準(zhǔn)確或者評(píng)論中存在負(fù)面信息，Rufus可能會(huì)將消費(fèi)者引導(dǎo)至競爭對(duì)手的產(chǎn)品頁面。關(guān)鍵詞和場(chǎng)景匹配：提升推薦機(jī)會(huì)此外，賣家還應(yīng)關(guān)注產(chǎn)品與特定場(chǎng)景或節(jié)日關(guān)鍵詞的匹配度。例如，針對(duì)“寒冷天氣高爾夫”這一場(chǎng)景，賣家可以優(yōu)化相關(guān)產(chǎn)品的關(guān)鍵詞和描述，確保自己的商品能夠出現(xiàn)在Rufus的推薦列表中。通過精準(zhǔn)的市場(chǎng)定位和關(guān)鍵詞優(yōu)化，賣家可以提高通過Rufus獲得流量的機(jī)會(huì)。新流量渠道：優(yōu)化產(chǎn)品適配AI推薦邏輯對(duì)于中小賣家而言，Rufus的出現(xiàn)也意味著一種新的流量渠道。與傳統(tǒng)的搜索流量依賴關(guān)鍵詞排名不同，Rufus的AI推薦是基于用戶意圖和需求的深度分析，這為賣家提供了繞過傳統(tǒng)搜索路徑的機(jī)會(huì)。因此，優(yōu)化產(chǎn)品以適應(yīng)Rufus的抓取邏輯，成為中小賣家突破流量瓶頸的一種可能策略。三、數(shù)據(jù)來源與算法：Rufus的智能基礎(chǔ)1.數(shù)據(jù)來源：亞馬遜產(chǎn)品目錄與用戶互動(dòng)為核心Rufus的智能基礎(chǔ)依賴于亞馬遜的龐大數(shù)據(jù)體系，這些數(shù)據(jù)主要來自以下幾個(gè)方面：亞馬遜的產(chǎn)品目錄：這部分?jǐn)?shù)據(jù)占據(jù)了最大的權(quán)重，是Rufus進(jìn)行推薦和生成答案的核心來源。產(chǎn)品目錄包含了亞馬遜平臺(tái)上所有商品的詳細(xì)信息、分類、屬性等。Rufus通過分析這些數(shù)據(jù)來識(shí)別不同商品之間的關(guān)系，并提供更精準(zhǔn)的搜索和推薦?？蛻粼u(píng)論：Rufus還會(huì)分析來自消費(fèi)者的評(píng)價(jià)信息，尤其是那些揭示產(chǎn)品優(yōu)缺點(diǎn)、使用體驗(yàn)等的評(píng)論。這些用戶生成內(nèi)容幫助Rufus更好地理解哪些產(chǎn)品更受歡迎，哪些產(chǎn)品在特定需求下表現(xiàn)更好。社區(qū)問答：在亞馬遜的問答平臺(tái)上，消費(fèi)者和賣家之間的互動(dòng)同樣為Rufus提供了豐富的數(shù)據(jù)源。通過這些問答，Rufus可以了解到用戶對(duì)特定產(chǎn)品的常見疑問、關(guān)心的問題，進(jìn)一步優(yōu)化推薦的相關(guān)性。外部網(wǎng)絡(luò)信息：盡管產(chǎn)品目錄和用戶互動(dòng)數(shù)據(jù)是Rufus的核心來源，但外部網(wǎng)絡(luò)信息（如互聯(lián)網(wǎng)上的相關(guān)數(shù)據(jù)、新聞、評(píng)論等）也對(duì)Rufus的推薦有所補(bǔ)充。這部分?jǐn)?shù)據(jù)幫助Rufus補(bǔ)充亞馬遜目錄中尚未完全覆蓋的產(chǎn)品或信息，尤其是對(duì)那些尚未在亞馬遜目錄中列出的新興商品或產(chǎn)品特性，外部網(wǎng)絡(luò)信息起到了補(bǔ)充作用。COSMO-LM模型：深度理解消費(fèi)者需求Rufus背后的算法也同樣值得關(guān)注。盡管亞馬遜沒有公開具體的算法細(xì)節(jié)，但根據(jù)亞馬遜科學(xué)部門發(fā)布的論文《COSMO:ALarge-ScaleE-commerceCommonSenseKnowledgeGenerationandServingSystematAmazon》，可以推測(cè)Rufus很可能采用了COSMO-LM模型。這種基于常識(shí)推理的大型語言模型使得Rufus能夠理解復(fù)雜的用戶需求，并為消費(fèi)者提供更加精準(zhǔn)和個(gè)性化的購物推薦。Part3.如何在全新框架下編寫Listing現(xiàn)在COSMO算法對(duì)買家搜索端的影響已經(jīng)顯現(xiàn)，而最終Rufus在前臺(tái)呈現(xiàn)的listing推送，背后也是COSMO-LM模型對(duì)listing進(jìn)行了抓取——匹配——推送這3個(gè)過程，所以需要根據(jù)COSMO算法的抓取邏輯來編寫Listing。我們從兩個(gè)案例來感受RUFUS對(duì)于買家搜索的影響。例子一：搜索OfficeChair，會(huì)在前四個(gè)商品下面出現(xiàn)相關(guān)問題，選擇問題會(huì)直接推薦產(chǎn)品例子二：搜索dress，會(huì)在第一頁12個(gè)商品下面出現(xiàn)入口和問題在選擇對(duì)應(yīng)問題后，會(huì)推薦多輪搜索的下一輪關(guān)鍵詞大家可以在自己的類目關(guān)鍵詞下面看一下rufus的預(yù)設(shè)問題和下一步推薦的內(nèi)容，有針對(duì)性地調(diào)整自己的listing內(nèi)容。Listing信息抓取解讀：Listing中含有usedfor,capableof,isa,cause這4種關(guān)系的表達(dá)（注意：不一定是含有這4個(gè)關(guān)鍵詞），最容易生成高質(zhì)量的知識(shí)，因?yàn)閹в羞@些關(guān)系的上下文，都是對(duì)產(chǎn)品的功能實(shí)現(xiàn)/目的描述/場(chǎng)景描述等等，最容易讓算法理解，所以優(yōu)先抓取這類信息。問題查詢和Listing內(nèi)容匹配解讀：第一步說明了算法優(yōu)先抓取哪四類關(guān)系，第二步說明了這四類關(guān)系從哪里抓，即產(chǎn)品標(biāo)題，描述，屬性等。排序推送解讀：從這些地方抓到關(guān)系信息后，COSMO-LM把內(nèi)容做了一個(gè)集合P,同時(shí)將問題查詢的集合Q開始進(jìn)行相關(guān)性匹配，P和Q的相關(guān)度影響了下一步系統(tǒng)對(duì)Listing的推薦。在論文里這種匹配度被歸類為4種類型：精準(zhǔn)匹配替代匹配補(bǔ)充匹配不相關(guān)匹配即使在同一種匹配類型中，也存在高低之差，假設(shè)同為精準(zhǔn)匹配：P1和Q的相關(guān)度為90%P2和Q的相關(guān)度為80%以此類推，最終