1樓：李明
因為亞馬遜是重產品的平台，好的產品會極力給到多的流量從而獲得更多更好的評價，和同類產品在詳情頁上有很大的對比優勢，可以增加買家的下單動力。（了解美國亞馬遜的一定知道亞馬遜有best seller，亞馬遜推薦，專家推薦等等各種標籤。 第二步就是通過演算法找到和推薦給對應產品需求的買家。
看上去好的產品加精準的推薦等於高轉化率
2樓：江雪
「世界上沒有一種演算法在任何情況下優於另外一種演算法，」 多種演算法的組合不斷演化才能不斷優化並切合實際需求
對推薦演算法的理解請去aws 官方說明
3樓：HAORD
亞馬遜的搜尋引擎A9的演算法和google可以一比高低，作為國內第一批在亞馬遜上以中國賣家身份開店，個人覺得亞馬遜的搜尋引擎演算法和推薦高效，公平！
4樓：蔡博侖
如今的推薦演算法仍然有很大的發展空間，高階的推薦系統尚處於實驗室階段，初級的推薦演算法被較為廣泛的應用。處於實用的推薦系統不外乎基於item的協同過濾或基於user的協同過濾，據說亞馬遜推薦系統是基於item的協同過濾進行的改進。基於item的推薦演算法注定對使用者以往的購物習慣有著很大的依賴程度，可以很好的推薦相關商品，這對於書籍推薦是很有效的。
然而，基於item的推薦演算法無法發現潛在的購物傾向，基於user的推薦演算法可以挖掘使用者間的相似程度，對推薦互補商品有效。對於購物推薦系統，購物車，瀏覽記錄，購買記錄，收藏，這些的分析往往更加有效，我相信，亞馬遜在這些方面肯定下了很大的功夫。
如今深度學習，大資料，雲計算如火如荼，然而個人認為乙個優秀的推薦系統並不在於其演算法的複雜度，而在於其價效比。特別針對於推薦系統這種型別的系統，往往乙個複雜的推薦演算法不外乎提高一兩個百分點。不管黑貓白貓能捉老鼠就是好貓，經得起實踐考驗的推薦系統就是好系統。
5樓：kung
電商最通用的推薦演算法大多是協同過濾，基於使用者或者基於商品，非常的樸素。
但是當資料量越來越多的時候，演算法會越發精準。
沒做過電商，但是在社交網路公司的一直在做好友推薦，演算法從簡到繁，再次從繁到簡。發現投入和產出不成比例。當你用最基本的演算法，花費一周時間，能達到A效果；然後繼續優化演算法，接下來的乙個月可能在A基礎上提高不到5%。
電商的演算法可能只是使用樸素的演算法來做的，然後認為good enough~
6樓：楊浩
UI不好，其他都免談，領域知識沒有，資料和演算法白搭，沒有資料，演算法再牛也無意。（協同過濾之所以比向量相似度好，只是有了很多的使用者資料）
UI很容易學習（抄襲），領域知識也是可以快速積累的，資料是巨頭吞掉蝦公尺的利器，巨頭PK巨頭就只有靠演算法.（p.s.
360搜尋份額積累，已經是巨頭 PK 巨頭的層次了,演算法伯仲之間是留住使用者的根本）
7樓：黃堅
我覺得重要的是推薦的場景,AMAZON經常的幾個關鍵場景:
1、從廣告來的使用者的推薦，都是按關鍵字列出最佳的推薦，我總是買；
2、直接進入首頁，總是看到最近瀏覽過的類似的東西；
3、加入購物車推薦，我總是會多買幾個組合；
4、購買後的推薦，我買後再加一本書比較多；
8樓：Tony Tian
Amazon用的是Items based的協同過濾，在學術界差不多協同過濾能研究的都研究了。。。優秀是肯定的，一是簡單，二是效果確實還不錯，整個再nb的模型也只是學術泡腳堂裡的東西，沒啥實用價值，而且amazon的資料才是最寶貴的。話說在中國做電商不是便宜才是王道麼。。。
9樓：leegang
一句話答案： 在統計學的角度，Amazon 的模型（so-called「演算法」 ）不複雜，之所以準確是因為資料量足夠大！
核心觀點：
當資料量足夠大的時候，任何統計模型（推薦演算法）得到的結果都更準確越簡單的模型，隨著資料量增大表現出的準確性提高越明顯在資料量足夠大的時候，簡單模型得出的結果準確性要高於複雜模型Amazon 的模型是主要是計算單品對單品的相關性 （item to item）不是乙個複雜模型。見： http:
//www.
cs.umd.edu/~samir/498/Amazon-Recommendations.pdf而導致資料結果準確的原因就是，他們的資料足夠「大」。
大的含義有兩層：
維度夠廣
歷史夠長
收集資訊的階段，盡可能多的記錄下來能記錄的資料，分析的時候把所有維度都納入。如果和結果不存在相關性自然就不會體現到結果中。
10樓：
個人感覺，演算法思路都是很樸素的。
亞馬遜的推薦效果不錯，更多的源於他在資料的積累和整理做的比較好。
還有乙個原因，就是我們在亞馬遜上買什麼？有些商品比較好推薦，有些商品本身就不太好做推薦。
11樓：
好象都給大家說全了, Amazon我也經常逛的, 個人覺得在某些領域的推薦還是挺不錯的, 例如圖書, 當然其它領域我沒怎麼用. Amazon上大部分是廣義ItemBase的推薦, 所以很多人看到的推薦出來的都是同型別物品, 而沒有出現啤酒尿布這種驚喜推薦. 人家這麼肯定是跟著業務線走的, 只要這演算法在業務上能產生最大價值, 即便是只挑最熱門的作推薦人家也願意.
12樓：一熱
推薦從原理上都不複雜，重要的是要有好的資料。
本人供職的公司為Amazon提供高質量的資料，比如哪些NAS能和哪個型號的UPS相相容。這是非常龐大而繁瑣的工作。
而基本高質量資料做出來的推薦，加上協同，個人記憶資訊推薦的內容當然比幾個運營拍腦袋想出來的啤酒尿布靠譜得多。
DQN演算法的Q Loss是否必須收斂？
個人實現過幾個深度強化學習的演算法，沒有乙個loss收斂的，甚至大多數情況下loss還在公升高。儘管如此，實際效能 也就是episode return 往往能穩步提高並收斂。 我也在做和強化學習有關的工作，對這個問題也十分感興趣。雖然大概沒辦法回答DL裡面的收斂情況，但是可以拋磚引玉簡單介紹一下傳統...
請問推薦演算法的就業前景如何？
慕容慕色 我可以很明確的告訴你一片光明，當然你得有真正的技術 混子就業前景一片昏暗，尤其體現在這個上。演算法研究進公司還是實驗室都是通吃的，尤其是現在的人工智慧的演算法 西班牙留學呂老師 這些裡面，直說就業的前景，現在物聯網和人工智慧是熱門，所以崗位選擇多一些，那麼既然你不選擇學歷提公升，那就是本科...
豆瓣 FM 的推薦演算法是怎樣的？
大超人 聽了快兩萬首，紅心大約三百。感覺推薦的歌還是很不錯的，很多沒聽過的歌。而且乙個風格的不想聽，切兩首就到了另外乙個風格。紅心歌我也已經匯入網易雲，總是推薦我聽過的歌。 Mark哥 作為乙個既喜歡聽 江南style 又喜歡聽bob dylan的死宅，我不認為能有一種演算法能算出我喜歡聽什麼歌。儘...