利用COSMO算法邏輯的Listing優化Part1.什么是COSMO什么是COSMO：推動亞馬遜搜索變革的AI技術COSMO（CommonSenseKnowledgeGenerationandServingModel）是亞馬遜推出的一項創新算法，它結合了常識知識和人工智能技術，通過深度學習和大規模數據處理來優化搜索推薦體驗。與傳統的搜索引擎不同，COSMO能夠理解用戶的真實意圖，并根據這些意圖提供更加相關的搜索結果。讓我們詳細探討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的工作原理基于對用戶意圖的深刻理解。舉個例子，如果你在亞馬遜上搜索“menshoesforwedding”（婚禮男士鞋），COSMO能夠識別出你可能實際尋找的是“硬底鞋”（hardbottomshoes），這是一種根據功能需求細化的搜索意圖。傳統的搜索引擎無法直接識別這種潛在的意圖關聯，但COSMO應用了常識知識，并強化了搜索結果的相關性，從而能夠精準匹配用戶需求。AI驅動的預測與反饋循環COSMO依托于AI模型，通過獨特的行為數據和行業知識圖譜來分析用戶的搜索意圖。COSMO的智能系統通過一個訓練循環不斷優化其預測能力。在這個循環中，COSMO會根據大規模語言模型（LLM）做出預測，并通過用戶的反饋來進一步調整和改進預測結果，從而提升未來的推薦準確性。此外，COSMO結合了Rufus（亞馬遜的全新購物對話助手）獲取的豐富數據來增強其分析能力。通過Rufus，COSMO能夠分析商品的功能、使用場景以及消費者的具體需求，進一步提升推薦的精準度。例如，當用戶查詢“shoesforpregnantwomen”（孕婦鞋）時，COSMO能夠自動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構建的知識圖譜，知識圖譜可能會使用‘受眾如何使用’的關系來連接防滑鞋與孕婦。圖譜中包含了產品和人類情境之間的關系——不僅僅是產品的功能，還包括產品的目標受眾、使用場景等信息。知識圖譜與商品匹配COSMO的工作流程是通過檢查特定的功能來進行匹配，包含‘usedfor','usedon','usedwith','interestedin'和'capableof'。例如，COSMO會檢查商品模板中的“主題”、“目標受眾”和“包含的組件”等信息，以此來幫助系統理解產品的具體用途和消費者的實際需求。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A9算法（亞馬遜的自然搜索算法）進行正式更新聲明，但COSMO算法已經在美國10%的流量中進行測試，并取得了顯著的效果。在這一測試中，COSMO提高了8%的導航參與度，顯著提升了用戶的互動和滿意度。這一變化表明，COSMO在增強搜索相關性和優化用戶體驗方面具有巨大的潛力。個性化搜索結果：意圖驅動的搜索優化COSMO的應用預計將在未來進一步擴展，它將使搜索查詢與購物者的真實意圖更加匹配，從而帶來更加個性化、精細化的搜索結果。這與國內常見的“千人千面”算法有所不同，因為亞馬遜嚴格遵循個人隱私保護法規，COSMO的個性化推薦僅基于一些地理位置、性別等公開數據，而非深度挖掘個人隱私數據。因此，COSMO更多關注的是根據用戶的意圖和上下文提供精準的搜索結果。這一變化對于關鍵詞優化策略有著深遠的影響。傳統上，賣家需要依靠高搜索量和高相關度的關鍵詞來優化產品詳情頁，以確保在A9算法的索引中獲得好的排名。但在COSMO算法下，搜索結果的排序將不再完全依賴于精確的關鍵詞匹配，而是更多依賴于用戶的購物意圖和上下文。COSMO會通過對歷史搜索記錄的分析和學習，做出對未來搜索需求的預測，并將用戶的意圖、上下文等因素作為關鍵的排名因素。從關鍵詞研究到用戶畫像關鍵詞研究正在演變為用戶畫像和購物者研究。關鍵詞研究的傳統方法正在發生轉變。雖然關鍵詞研究工具仍然對于了解消費者的搜索方式至關重要，但賣家需要更多地關注用戶畫像和購物者行為的分析。通過研究評論、退貨數據和用戶行為等，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確性，還能提升搜索推薦的效果。Part2.關于Rufus一、Rufus的核心功能精準篩選需求：從廣泛到具體的購物路徑Rufus的一個重要功能是幫助消費者更精準地找到所需的商品。傳統的購物流程往往是用戶通過廣泛的搜索關鍵詞來瀏覽商品，然而這往往容易產生大量無效流量。而Rufus則通過對消費者提問的理解，幫助他們更精確地從廣泛的類別中篩選出具體需求。例如，如果一個用戶在亞馬遜上搜索“耳機”，Rufus可能會引導他們逐步細化選擇，最終確定自己需要的是“運動耳機”或“無線耳機”，而非單純的耳機產品。這樣，Rufus通過智能的引導和過濾，減少了無效流量，同時也使購物決策變得更加高效。（Step1~Step2）按場合推薦：場景化購物體驗的提升除了按需求篩選商品外，Rufus還具備按場合或目的來推薦產品的功能。消費者可以提出像“在寒冷天氣打高爾夫需要什么？”或“我想在室內開辟一個花園”這樣的問題，Rufus則會根據場景推薦相關商品類別。對于賣家來說，我們的產品是否匹配這些特殊的限制詞將是Rufus是否能抓取你的產品并推薦給消費者的重要因素，這意味著你的產品如果能夠匹配特定的場景或關鍵詞（如“冬季高爾夫裝備”或“室內花園工具”），就有可能通過Rufus推薦給潛在客戶。（Step3~Step4）產品對比：購物前置到比較環節Rufus不僅僅是一個簡單的商品推薦工具，它還能夠幫助消費者在不同產品間進行比較。例如，用戶可以詢問“唇彩和唇油的區別”或“滴濾咖啡機和手沖咖啡機哪個好”，Rufus會分析這些問題，并為消費者推薦最適合他們需求的產品類型。這個功能的核心在于，它將購物決策前置到了對比環節，消費者在點擊購買之前，已經經歷了一次“貨比三家”的過程。定制化推薦：AI為消費者提供個性化選擇在產品推薦方面，Rufus也展現了其強大的智能推薦能力。通過用戶提出的具體問題，如“情人節送什么禮物好？”或“適合5歲孩子的恐龍玩具是什么？”Rufus能夠提供個性化的商品推薦，讓消費者在眾多商品中快速找到最符合需求的選項。與傳統的搜索流量不同，Rufus的推薦是基于AI模型對用戶需求的精準理解，繞開了傳統的搜索點擊路徑，形成了新的流量來源。賣家的新機會：如何優化以適應Rufus？從上文可以了解到，Rufus已經直接給消費者推薦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，而區別于編輯推薦這種依附于搜索結果頁的推薦流量，AI推薦流量是繞過搜索點擊，另起爐灶，屬于沒有中間商賺差價了。所以這也是苦大麥壟斷流量久矣的中小賣家的新方向——優化listing使之適配Rufus抓取邏輯。除了Rufus在搜索結果頁給予消費者幫助和推薦，在產品詳情頁也會存在，而且會基于listing描述和客戶評論來source的。所以，如果產品描述與實際不符，或者評論做的稀爛，消費者特別在意的痛點沒有被滿足，不排除Rufus會在你的產品詳情頁推薦別的產品給消費者。詳情頁的流量防御，可能并不僅僅靠廣告閉環就能解決了。因此我們的可以從以下方面著手優化：產品頁面優化：確保信息準確完整Rufus不僅改變了消費者的購物方式，也為賣家提供了新的機會。在Rufus的幫助下，消費者的購物路徑變得更加個性化和精確，這要求賣家重新審視如何優化自己的產品展示和頁面內容。首先，賣家需要確保產品信息的準確性和完整性。由于Rufus依賴亞馬遜龐大的產品目錄、客戶評論和社區問答來生成推薦，因此產品頁面的描述和評論質量直接影響到產品是否能夠通過Rufus被推薦。如果描述不準確或者評論中存在負面信息，Rufus可能會將消費者引導至競爭對手的產品頁面。關鍵詞和場景匹配：提升推薦機會此外，賣家還應關注產品與特定場景或節日關鍵詞的匹配度。例如，針對“寒冷天氣高爾夫”這一場景，賣家可以優化相關產品的關鍵詞和描述，確保自己的商品能夠出現在Rufus的推薦列表中。通過精準的市場定位和關鍵詞優化，賣家可以提高通過Rufus獲得流量的機會。新流量渠道：優化產品適配AI推薦邏輯對于中小賣家而言，Rufus的出現也意味著一種新的流量渠道。與傳統的搜索流量依賴關鍵詞排名不同，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搜索路徑的機會。因此，優化產品以適應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、數據來源與算法：Rufus的智能基礎1.數據來源：亞馬遜產品目錄與用戶互動為核心Rufus的智能基礎依賴于亞馬遜的龐大數據體系，這些數據主要來自以下幾個方面：亞馬遜的產品目錄：這部分數據占據了最大的權重，是Rufus進行推薦和生成答案的核心來源。產品目錄包含了亞馬遜平臺上所有商品的詳細信息、分類、屬性等。Rufus通過分析這些數據來識別不同商品之間的關系，并提供更精準的搜索和推薦。客戶評論：Rufus還會分析來自消費者的評價信息，尤其是那些揭示產品優缺點、使用體驗等的評論。這些用戶生成內容幫助Rufus更好地理解哪些產品更受歡迎，哪些產品在特定需求下表現更好。社區問答：在亞馬遜的問答平臺上，消費者和賣家之間的互動同樣為Rufus提供了豐富的數據源。通過這些問答，Rufus可以了解到用戶對特定產品的常見疑問、關心的問題，進一步優化推薦的相關性。外部網絡信息：盡管產品目錄和用戶互動數據是Rufus的核心來源，但外部網絡信息（如互聯網上的相關數據、新聞、評論等）也對Rufus的推薦有所補充。這部分數據幫助Rufus補充亞馬遜目錄中尚未完全覆蓋的產品或信息，尤其是對那些尚未在亞馬遜目錄中列出的新興商品或產品特性，外部網絡信息起到了補充作用。COSMO-LM模型：深度理解消費者需求Rufus背后的算法也同樣值得關注。盡管亞馬遜沒有公開具體的算法細節，但根據亞馬遜科學部門發布的論文《COSMO:ALarge-ScaleE-commerceCommonSenseKnowledgeGenerationandServingSystematAmazon》，可以推測Rufus很可能采用了COSMO-LM模型。這種基于常識推理的大型語言模型使得Rufus能夠理解復雜的用戶需求，并為消費者提供更加精準和個性化的購物推薦。Part3.如何在全新框架下編寫Listing現在COSMO算法對買家搜索端的影響已經顯現，而最終Rufus在前臺呈現的listing推送，背后也是COSMO-LM模型對listing進行了抓取——匹配——推送這3個過程，所以需要根據COSMO算法的抓取邏輯來編寫Listing。我們從兩個案例來感受RUFUS對于買家搜索的影響。例子一：搜索OfficeChair，會在前四個商品下面出現相關問題，選擇問題會直接推薦產品例子二：搜索dress，會在第一頁12個商品下面出現入口和問題在選擇對應問題后，會推薦多輪搜索的下一輪關鍵詞大家可以在自己的類目關鍵詞下面看一下rufus的預設問題和下一步推薦的內容，有針對性地調整自己的listing內容。Listing信息抓取解讀：Listing中含有usedfor,capableof,isa,cause這4種關系的表達（注意：不一定是含有這4個關鍵詞），最容易生成高質量的知識，因為帶有這些關系的上下文，都是對產品的功能實現/目的描述/場景描述等等，最容易讓算法理解，所以優先抓取這類信息。問題查詢和Listing內容匹配解讀：第一步說明了算法優先抓取哪四類關系，第二步說明了這四類關系從哪里抓，即產品標題，描述，屬性等。排序推送解讀：從這些地方抓到關系信息后，COSMO-LM把內容做了一個集合P,同時將問題查詢的集合Q開始進行相關性匹配，P和Q的相關度影響了下一步系統對Listing的推薦。在論文里這種匹配度被歸類為4種類型：精準匹配替代匹配補充匹配不相關匹配即使在同一種匹配類型中，也存在高低之差，假設同為精準匹配：P1和Q的相關度為90%P2和Q的相關度為80%以此類推，最終