根據(jù)公開的數(shù)據(jù)顯示，亞馬遜有35%的銷量來自推薦系統(tǒng)。對(duì)于亞馬遜賣家來說，35%的推薦流量可不是能忽略的小數(shù)字。那什么是推薦系統(tǒng)嗎？各位亞馬遜賣家了解過嗎？

圖源：亞馬遜

首先推薦系統(tǒng)（RS）是一種智能工具，它根據(jù)用戶的歷史行為、社交關(guān)系、興趣點(diǎn)，所處上下文的環(huán)境等信息去預(yù)測(cè)并推薦用戶可能需要或者感興趣的商品。推薦系統(tǒng)本身是一種信息過濾的方法，與搜索和類目導(dǎo)航組成三大主流信息的過濾方法。最常見的場(chǎng)景就是首頁推薦和詳情頁推薦。

為什么今天要跟各位賣家聊推薦系統(tǒng)呢？不知道賣家們有沒有注意到，亞馬遜官方網(wǎng)站前陣子發(fā)布過這樣一篇論文《RecMind：用于推薦的大型語言模型代理》。在這篇論文中，亞馬遜介紹了他們?nèi)绾卧O(shè)計(jì)一個(gè)LLM強(qiáng)大的自主推薦代理RecMind，能夠利用外部知識(shí)，通過精心規(guī)劃的工具向用戶提供零樣本個(gè)性化推薦。

RecMind的核心基于一個(gè)自我激勵(lì)算法，它通過深度學(xué)習(xí)和大型語言模型的結(jié)合，為用戶提供個(gè)性化推薦。它在每個(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。與傳統(tǒng)推薦系統(tǒng)相比，RecMind能夠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)單一點(diǎn)理解就是，能夠優(yōu)化當(dāng)前推薦系統(tǒng)，使得用戶可以更精準(zhǔn)地找到需要的產(chǎn)品。作為賣家來說，了解推薦系統(tǒng)的工作原理以及最新的推薦算法變化，才能更好抓住流量。

一、RecMind推薦系統(tǒng)是如何工作的？

前面提到，RecMind的核心是一個(gè)自我激勵(lì)算法（Self-Inspiring SI），它能夠在每個(gè)決策步驟中回顧歷史信息，從而做出更加精準(zhǔn)的推薦。

這個(gè)算法與原先的算法有所不同，原先的它們?cè)谏尚聽顟B(tài)時(shí)會(huì)丟棄先前探索過的路徑中的狀態(tài)，而新算法SI在生成新狀態(tài)時(shí)會(huì)保留所有歷史路徑中的所有先前狀態(tài)。這就意味著當(dāng)前的算法，能將之前所有歷史信息保存，以至于為用戶提供更好的推薦，提供更多有用的信息。

據(jù)目前案例測(cè)試，SI算法比之前的算法獲得準(zhǔn)確的評(píng)級(jí)。

RecMind工作過程主要依賴三大組件：

1、規(guī)劃組件：將復(fù)雜的推薦任務(wù)分解成一系列小步驟，逐步推進(jìn)，每一步涉及思考、行動(dòng)和觀察。這個(gè)組件確保了推薦過程的有序進(jìn)行，并能夠根據(jù)不同的用戶需求靈活調(diào)整推薦策略。

2、記憶組件：具備長期記憶能力，能夠存儲(chǔ)和回憶用戶的個(gè)性化信息和廣泛的世界知識(shí)。個(gè)性化記憶指的是幫助RecMind理解和記住用戶的偏好和歷史行為，而世界知識(shí)則使RecMind能夠融入最新的外部信息和趨勢(shì)。

3、工具組件：集成了多種工具，包括數(shù)據(jù)庫查詢、網(wǎng)絡(luò)搜索和文本摘要，以增強(qiáng)其功能并輔助推理過程。利用各種外部資源和工具，提升推薦的準(zhǔn)確性和相關(guān)性。

RecMind工作過程：

當(dāng)一位有著豐富購買歷史的用戶，最近瀏覽了A產(chǎn)品。RecMind隨即啟動(dòng)，開始它的個(gè)性化推薦。RecMind首先會(huì)搜尋數(shù)據(jù)庫，通過查詢，追溯用戶過往評(píng)價(jià)過的產(chǎn)品及其評(píng)分。并且迅速找到了用戶對(duì)類似產(chǎn)品的正面評(píng)價(jià)歷史。

接著，RecMind利用網(wǎng)絡(luò)搜索引擎，探索A產(chǎn)品所屬的產(chǎn)品類別。假設(shè)RecMind確定A產(chǎn)品是一款牙刷產(chǎn)品，RecMind會(huì)深入會(huì)理解牙刷的用戶需求?；谟脩魧?duì)類似產(chǎn)品做出過正面評(píng)價(jià)的歷史，RecMind開始預(yù)測(cè)用戶對(duì)A產(chǎn)品的評(píng)分。

先獲取A產(chǎn)品的評(píng)分星級(jí)，假如星級(jí)很不錯(cuò)，RecMind會(huì)反饋這是一個(gè)積極的信號(hào)。在綜合用戶的歷史評(píng)價(jià)和產(chǎn)品的評(píng)論星級(jí)或內(nèi)容等，深入分析，預(yù)測(cè)用戶對(duì)A產(chǎn)品的評(píng)分。假設(shè)預(yù)測(cè)用戶會(huì)給出一個(gè)接近之前評(píng)價(jià)的高分，那么RecMind就會(huì)向用戶推薦這款牙刷。

目前，據(jù)研究人員表示，已在多個(gè)推薦場(chǎng)景對(duì)RecMind進(jìn)行了評(píng)估，在直接推薦、順序推薦、解釋生成和評(píng)論摘要等五個(gè)推薦板塊和兩個(gè)數(shù)據(jù)集上進(jìn)行了評(píng)估。實(shí)驗(yàn)結(jié)果表明，RecMind在多個(gè)任務(wù)上超越了現(xiàn)有的基于LLM的推薦方法。即使在零樣本的情況下，RecMind也能夠提供高質(zhì)量的推薦。

在某些任務(wù)上，RecMind的表現(xiàn)與完全訓(xùn)練的頂級(jí)推薦系統(tǒng)相當(dāng)。這意味著RecMind在推薦質(zhì)量和用戶滿意度方面，達(dá)到了與頂級(jí)推薦系統(tǒng)相媲美的水平。且自激勵(lì)算法（SI）在一般推理任務(wù)上也優(yōu)于其他，證明了其廣泛的應(yīng)用潛力。

預(yù)測(cè)后續(xù)RecMind推薦系統(tǒng)會(huì)覆蓋在亞馬遜上。與COSMO會(huì)形成怎么樣的聯(lián)系目前還不知曉，各位賣家也可以關(guān)注我們，第一時(shí)間有新算法的信息我們都會(huì)與大家共享。

二、構(gòu)建常識(shí)知識(shí)圖譜助力產(chǎn)品推薦

5月10號(hào)，亞馬遜官方網(wǎng)站發(fā)布的文章稱使用COSMO來辯別亞馬遜用戶交互數(shù)據(jù)中的常識(shí)性框架將下游任務(wù)的性能提高多達(dá)60%。

亞馬遜表示為了可方便推薦引擎進(jìn)行常識(shí)性推斷，正在構(gòu)建一個(gè)知識(shí)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，包括功能、目標(biāo)受眾、使用地點(diǎn)等屬性。比如，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。

其中還介紹到了COSMO涉及一個(gè)遞歸過程，在這個(gè)過程中，生成LLM關(guān)于查詢-購買和共同購買數(shù)據(jù)的常識(shí)性的假設(shè)。人工注釋和機(jī)器學(xué)習(xí)模型的結(jié)合過濾掉了低質(zhì)量的假設(shè)，人工評(píng)審員從高質(zhì)量的假設(shè)中提取指導(dǎo)原則，基于這些原則提升推薦的準(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：

1、記錄用戶行為：用戶行為數(shù)據(jù)被記錄下來，包括用戶的搜索和購買行為。

2、提示：這些用戶行為數(shù)據(jù)被用來生成提示，輸入到大型語言模型中（LLMs）中。

3、生成知識(shí)：大型語言模型（LLMs）接收到提示后，生成相關(guān)的知識(shí)數(shù)據(jù)。

4、過濾：生成的知識(shí)數(shù)據(jù)會(huì)經(jīng)過過濾，包括基于平臺(tái)規(guī)則的過濾和相似性過濾，確保數(shù)據(jù)的準(zhǔn)確性和相關(guān)性。

5、人類反饋：經(jīng)過過濾的知識(shí)數(shù)據(jù)會(huì)被人審查和注釋，提供反饋。

最終將所反饋和篩選的高質(zhì)量知識(shí)進(jìn)行保存和使用。

以用戶查詢“冬季外套”為例，如點(diǎn)擊產(chǎn)品“長袖羽絨服”，則會(huì)輸出提供用戶高水平的保暖的指令，會(huì)在搜索頁面及推薦上推薦提供帶有高水平保暖的功能屬性的外套。

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，亞馬遜在產(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)性化和滿意的購物體驗(yàn)。

（來源：董海溫）

以上內(nèi)容屬作者個(gè)人觀點(diǎn)，不代表雨果跨境立場(chǎng)！本文經(jīng)原作者授權(quán)轉(zhuǎn)載，轉(zhuǎn)載需經(jīng)原作者授權(quán)同意。?