A9,机器学习预测亚马逊产品排名，影响最大的因素是……
A9,影响亚马逊产品排名的最大因素是机器学习预测……核心内容
A9,影响亚马逊产品排名的最大因素是机器学习预测……正文
来自数据情报公司Jumpshot该报告发现，亚马逊上的消费者产品搜索量超过谷歌。此外，根据Jumpshot亚马逊90%的产品浏览量来自该公司的有机网站，而不是广告或外部渠道。
因此，考虑到卖家优化亚马逊搜索引擎A9了解排名因素值得尝试算法的重要性。
据广泛报道，亚马逊搜索引擎的目标是根据销售潜力对产品进行排名。影响销售的因素有很多，如价格、评论和产品页面的副本。在这些领域表现出色的产品将获得更好的排名。
事实上，卖家很难确定这些因素的相对重要性，特别是当亚马逊没有披露这些影响因素时。
预测产品销售潜力
浏览亚马逊各种产品的热销榜时，可以发现在很多关键类别中，比如Electronics电子产品和电子产品Automotive热销产品通常有最多的评论，或者几乎是最多的评论。
产品评论的数量能代表产品的销售和排名吗？可以肯定的是，买家在留评前购买了产品。
机器学习所能做的不仅仅是生成预测。机器学习的一个鲜为人知的用途是创建模型，然后测试预测（在某些情况下）哪些特征最重要。
本文将通过以下步骤教您如何使用该方法。
1.准备包括亚马逊热销产品信息在内的机器学习源文件；
2.使用谷歌的自然语言API对此源文件进行评论情感分析；
3.将此文件上传至BigML(机器学习工具)；
4.生成深度神经网络模型(即模拟人脑识别模式)来预测数据集中评论的数量；
5.回顾对模型预测影响最大的特征。这些都是获得更多评论和销售的重要因素。
源文件
亚马逊智能工具JungleScout2017年第四季度可以找到热销产品清单。该清单包括大约1万种不同类型的产品。本文关注的是Automotive这类示例。
数据集包含15列，如亚马逊标准标识号（ASIN）、产品子类别及产品名称。以下是完整列表。
●gl_product_group_desc
●Subcategory
●asin
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
您还可以提取产品评论文本，并使用它来计算评论的情绪（评论的褒贬），以防止它们具有预测性。加州大学圣地亚哥分校计算机科学助理教授Julian McAuley亚马逊他的网站上下载了亚马逊的评论文本automotive评论供测试。
这个数据集有9列：
●asin
●helpful
●overall
●reviewText
●reviewTime
●reviewerID
●reviewerName
●summary
●unixReviewTime
合并这两个数据集提供了许多潜在的预测因素，如下所示：
●reviewerID
●asin
●reviewerName
●helpful
●reviewText
●overall
●summary
●unixReviewTime
●reviewTime
●gl_product_group_desc
●Subcategory
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
接下来，你可以试着捕捉评论的情绪。
评论的情绪
谷歌的自然语言处理API它可以帮助您处理评论文本并捕获4个额外字段：Clearly Positive(明显积极)， Clearly Negative(明显消极)，Neutral（中性）的Mixed（混合）。
每个字段都包含document score(文档得分)magnitude per document(每个文档的大小)和highest-scoring sentence(得分最高的句子)。
在这种情况下，谷歌的自然语言处理API可以识别亚马逊文本评论背后消费者的情绪。
亚马逊还提供了一个产品评级品评级（1星到5星）。我们可以看到更详细的分析是否能为您提供更多的预测因素。
以下是产品B00GG9FB8U示例文档和评论情绪。
{'asin': 'B00GG9FB8U',
'best_sentence_magnitude': 0.8,
'best_sentence_score': 0.8,
'document_magnitude': 7.3,
'document_score': 0.1}
在向数据集添加情绪后，我们可以知道哪些因素是最具预测性的。
使用BigML进行机器学习
将源文件上传到上述机器学习工具BigML。
选择customer_reviews_count作为预测目标，选择深度神经网络作为机器学习模型。
BigML为了找到最佳性能，搜索了128个模型组合。
以下是顺序排列的结果-销售的主要预测指标。
1.Subcategory（子类别）——86.73%
2.Field1 (产品编码)——9.6%
3.Item_name(产品名称)——3.49%
4.Total_offers（总价格）——0.06%
5.Upc1——0.04%
6.Customer_average_review_rating(客户评级)——0.03%
7.Max_price(最高价)——0.02%
8.Min_price(最低价)——0.01%
令人惊讶的是，评论的情绪没有影响，评级（Customer_average_review_rating）和价格（ Max-price与Min_price）几乎没有预测效果。
根据使用BigML亚马逊的产品类别是预测销售的最佳指标。
产品类别和产品名称的选择可能会产生重大影响，因为有些产品和类别非常受欢迎，需求强劲。同样，产品的数量也表明了整体销售的变化。
亚马逊A9算法是一种神秘的存在。它是如何工作的？与之相关的因素有哪些？A9算法如何影响排名？点击此处进入亚马逊跨境平台区域进行探索A9算法的奥秘！
(来源:跨境峰哥)
以上内容属于作者个人观点，不代表跨境网的立场！本文由原作者独家授权提交，转载经跨境网授权同意。
