CN113254778B - 一种基于亚马逊平台的asin组的关键词推荐方法 - Google Patents

Abstract

本发明提供了一种基于亚马逊平台的ASIN组的关键词推荐方法，属于数据处理技术领域，该方法包括：对待分析的ASIN，利用ASIN关联算法建立与ASIN_0相似的产品组成的ASIN组，并命名为ASIN组A，获取所有与ASIN组A建立联系的关键词库B；计算得到关键词库B中关键词对ASIN组A中产品的关联度。本发明可以实现对关键词与一组ASIN之间的关联性进行全局性的定量分析。

Description

一种基于亚马逊平台的ASIN组的关键词推荐方法

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于亚马逊平台的ASIN组的关键词推荐方法。

背景技术

根据统计，在美国超过66％的消费者，在购物之前会在亚马逊的搜索引擎中通过关键词进行搜索，找到自己想要买的产品。亚马逊为每一个产品的listing自动生成一个唯一的编号，称为ASIN(Amazon Standard Identification Number)。一般来说，买家大多只会点击搜索结果排在最前面的几个ASIN，而越往后，点击率越低。而亚马逊平台开发了所谓A9算法，根据数以亿计的大数据运算，为买家找到“最有可能”产生订单的ASIN，放在第一个搜寻结果上，“第二可能”的ASIN放在第二个，以此类推，其目的是为了最大程度的促进销售从而获取佣金，同时也提升买家的使用体验。虽然亚马逊并没有完整公布A9算法是如何决定搜寻关键词排序的，但根据多年的运营经验，卖家们也总结出几个最关键的要素，这些要素包括关键词的相关性、销量、商品库存和售价等，其中关键词的相关性是决定排序的最重要因素。ASIN与关键词的相关性越高，排序也会越高。因此，对跨境电商企业即亚马逊卖家而言，对亚马逊关键词的相关性进行深度分析，是获取更多流量、提高销量的必经之路。

在跨境电商领域，目前已有一些针对亚马逊关键词进行分析的解决方案，比如紫鸟数据魔方的紫鸟天眼功能，卖家精灵的关键词挖掘，以及其他一些产品的关键词反查等等。但是，由于缺乏产品关联算法的支持，在分析关键词的相关性时，这些已有的解决方案都只能简单获取关键词与某单个ASIN的“热度”或搜索排序作为相关性的参考值。事实上，真正重要的是对关键词与某个细分品类或者一组相关ASIN(即ASIN组)的总体相关性进行量化分析，因为这可以降低关键词选取的特异性，同时筛选掉那些应用范围过小的长尾词，从而帮助卖家从更高的层次、更全面的视角和更丰富的维度来准确判断和分析关键词的相关性和流量特征，为卖家在选品、促销推广和优化listing等多方面提供精准而长期的指导。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于亚马逊平台的ASIN组的关键词推荐方法，可以对关键词与一组ASIN之间的关联性进行全局性的定量分析。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于亚马逊平台的ASIN组的关键词推荐方法包括以下步骤：

S1、对待分析的ASIN，利用ASIN关联算法建立与ASIN_0相似的产品组成的ASIN组，并命名为ASIN组A，其中待分析的ASIN记为ASIN_0；

S2、获取所有与ASIN组A建立联系的关键词库B；

S3、计算得到关键词库B中关键词对ASIN组A中产品的关联度，完成基于亚马逊平台的ASIN组的关键词推荐。

本发明的有益效果是：本发明建立了关键词与ASIN之间的关联度定量模型。在亚马逊的搜索某个关键词得到的产品列表中，ASIN所处的位置和ASIN与关键词之间的关联度保持着正相关关系，其量化关系可以通过A9算法中的“关注度衰减曲线”进行数学拟合而确定，其次，本发明对某个考察中的ASIN(称为“元ASIN”)可快速获取其相关的一组ASIN并建立ASIN组。此时，某关键词与该ASIN组整体关联性的计算，将根据同组ASIN的相关信息进行必要的调整、优化和整合，从而得到全新的整体关联度即关键词的推荐度指数，它反映的是该关键词与ASIN组之间的全局相关性。

进一步地，所述步骤S3包括以下步骤：

S301、根据关键词库B，对关键词KY_j循环搜索；

S302、通过反查关键词的方式，填充关键词KY_j的搜索结果列表；

S303、对ASIN组A，从其中的成员ASIN_i开始循环搜索；

S304、获取关键词KY_j的搜索列表中排序在ASIN_i之前的所有非ASIN组A中的产品的个数x_i；

S305、根据x_i，计算得到关键词KY_j与ASIN_i关联度f_i；

S306、判断是否循环搜索完ASIN组A中所有成员，若是，则得到关键词KY_j对ASIN组A中所有产品的关联度，并进入步骤S307，否则，返回步骤S303；

S307、根据关联度，计算得到关键词KY_j对ASIN组A中所有产品的推荐度；

S308、判断是否循环搜索完关键词库B中所有的M个推荐度，若是，则进入步骤S309，否则，返回步骤S301；

S309、对所有M个推荐度进行归一化处理，得到M个推荐度指数F，并进行排序，完成基于亚马逊平台的ASIN组的关键词推荐。

再进一步地，所述步骤S305中关联度f_i的表达式如下：

其中，d表示亚马逊搜索页面的产品数，取值为16。

上述进一步方案的有益效果是：通过A9算法中的“关注度衰减曲线”进行数学拟合而确定关键词的搜索结果中每个位置与该关键词的关联度的衰减规律，再考虑到Amazon’sChoice对相关性的加成，从而计算得到关联度。

再进一步地，所述步骤S305中关联度f_i的表达式如下：

再进一步地，所述步骤S307中推荐度F^j的表达式如下：

其中，N表示ASIN组中ASIN的总数，i表示ASIN组中ASIN的个数，i＝0,1,2,...,N。

上述进一步方案的有益效果是：ASIN组A中每个ASIN的地位是完全等同的，在得到关键词对ASIN组中所有单个ASIN的关联度后，可以通过求算术平均的方式得到关键词KY_j对ASIN组A的总体推荐度。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

基于上述背景技术所述，现有解决方案都只能简单获取关键词与某单个ASIN的“热度”或搜索排序作为相关性的参考值，未能实现总体相关性进行量化分析，鉴于此，本发明提出了一种基于亚马逊平台的标定关键词与ASIN组的相关性的定量算法，可以对关键词与一组ASIN之间的关联性进行全局性的定量分析，有效为卖家快速推荐与该组ASIN对应的流量关键词，从而提升在亚马逊平台的选品和开展CPC促销广告活动的精准程度，并为listing的优化提供指导性意见和建议。本发明建立了关键词与ASIN之间的关联度定量模型。在亚马逊的搜索某个关键词得到的产品列表中，ASIN所处的位置和ASIN与关键词之间的关联度保持着正相关关系，其量化关系可以通过A9算法中的“关注度衰减曲线”进行数学拟合而确定；基于独特的ASIN关联算法对某个考察中的ASIN(称为“元ASIN”)可快速获取其相关的一组ASIN并建立ASIN组。此时，某关键词与该ASIN组整体关联性的计算，将根据同组ASIN的相关信息进行必要的调整、优化和整合，从而得到全新的整体关联度即关键词的推荐度指数，它反映的是该关键词与ASIN组之间的全局相关性。本发明已在实际应用中进行了多次验证，证实通过这种方式所得到的关键词排序，与开通亚马逊付费广告2～4周后根据转化率对广告关键词的排序非常接近，表明该算法所得到的ASIN组的关键词推荐度是非常符合流量真实相关性的定量指标。本发明的基本思想是根据关键词搜索结果得到的ASIN的位置出发来对关键词与ASIN之间的相关性进行量化标定，如图1所示，包括以下步骤：

S1、对待分析的ASIN，利用ASIN关联算法建立与ASIN_0相似的产品组成的ASIN组，并命名为ASIN组A，其中待分析的ASIN记为ASIN_0；

在本实施例中，对需要分析的ASIN(记为ASIN_0)，通过ASIN关联算法，建立与ASIN_0相关或相似的一系列产品组成的ASIN组，命名为ASIN组A：

A(ASIN_0,ASIN_1,ASIN_2,ASIN_3,...,ASIN_i,...,ASIN_N)

这样N+1个彼此相关的产品所组成的ASIN组，相当于一个细分的小品类或小市场，是很多亚马逊卖家进行选品和市场分析的样本库。根据ASIN关联算法的定义，这些ASIN通过大量的关键词彼此间建立了较高的相关性，表明在这些关键词的搜索结果中，这些ASIN处于比较靠前的位置(例如前5页)。

S2、获取所有与ASIN组A建立联系的关键词库B；

在本实施例中，在建立了ASIN组A之后，通过爬虫技术和反查关键词算法，可以获取所有和这些ASIN建立了联系的总数为M的关键词库B：

B(KY_1,KY_2,KY_3,...,KY_j,...,KY_M)

对关键词库B中的任一个关键词KY_j，它对ASIN组A的推荐度f(KY_j，A)是该关键词KY_j与ASIN组A之间相关程度的量值，具有这样的特点：

(1)最大值为1，表明KY_j与A最相关，此时，用关键词KY_j进行搜索时，搜索列表的前N+1个结果全部为A中的产品所占据(内部顺序不计)，并且其中有且仅有一个ASIN带有“Amazon’s Choice”标签；

(2)最小值为0，表明KY_j与A最不相关，此时，用关键词KY_j进行搜索时，搜索列表的前5页结果全部都不出现A中的ASIN；

(3)ASIN组A中每个ASIN的地位是完全等同的，这意味着在搜索结果中它们的内部排序不影响推荐度。

注：Amazon’s Choice标签是亚马逊平台为某些优质产品所提供的特别标签，从而为这些产品分配更多的曝光。它起源于关键词，在一次关键词的搜索结果中，只会有一款产品会带有这个标签。

本实施例中，推荐度f是一个介于0和1之间的实数，且A中ASIN的内部排序不会影响推荐度的计算。因此，对一次基于KY_j的搜索结果，对推荐度的影响只取决于非A的其他ASIN的数量和位置，这是进行推荐度计算的重要依据。

S3、计算得到关键词库B中关键词对ASIN组A中产品的关联度，完成基于亚马逊平台的ASIN组的关键词推荐，其实现方法如下：

S301、根据关键词库B，对关键词KY_j循环搜索；

S302、通过反查关键词的方式，填充关键词KY_j的搜索结果列表；

S303、对ASIN组A，从其中的成员ASIN_i开始循环搜索；

S304、获取关键词KY_j的搜索列表中排序在ASIN_i之前的所有非ASIN组A中的产品的个数x_i；

S305、根据x_i，计算得到关键词KY_j与ASIN_i关联度f_i；

S306、判断是否循环搜索完ASIN组A中所有成员，若是，则得到关键词KY_j对ASIN组A中所有产品的关联度，并进入步骤S307，否则，返回步骤S303；

S307、根据关联度，计算得到关键词KY_j对ASIN组A中所有产品的推荐度；

S308、判断是否循环搜索完关键词库B中所有的M个推荐度，若是，则进入步骤S309，否则，返回步骤S301；

S309、对所有M个推荐度进行归一化处理，得到M个推荐度指数F，并进行排序，完成基于亚马逊平台的ASIN组的关键词推荐。

在本实施例中，在完成了一系列定义和初始化之后，下一步将计算关键词KY_j对ASIN组A中单个产品ASIN_i的关联度f_i。通过反查关键词的方式，填充KY_j的ASIN列表，目的是获取ASIN组A中所有成员在列表中的位置，于是可以对任一成员ASIN_i，在关键词KY_j的搜索结果列表中排位在它之前的非A中的产品个数x_i，令：

其中，d表示亚马逊搜索页面的产品数(若d设为16，表示当ASIN_i前面有16个非ASIN组A中的产品时，ASIN_i与关键词KY_j的关联度为0.368)。

当x_i＝0即没有其他非A组的产品排在它前面时，f_i＝1；当ASIN_i带有Amazon’sChoice标签时，直接令f_i＝1。利用类高斯函数公式(1)来拟合关键词的搜索结果中每个位置与该关键词的关联度的衰减规律。考虑到Amazon’s Choice对相关性的加成，用下列公式(2)来计算关键词对单个ASIN的关联度：

其中，d表示亚马逊搜索页面的产品数。在实际计算中，也可以考虑用其他公式代替公式(2)来计算关联度。例如，用线性衰减公式：

考虑到ASIN组A中每个ASIN的地位是完全等同的，在得到关键词对ASIN组中所有单个ASIN的关联度后，可以通过求算术平均的方式得到关键词KY_j对ASIN组A的总体推荐度。根据具体情况，也可以采用中位数的方式取代算术平均，或者去掉最大值、最小值后的算术平均。在得到所有M个关键词对ASIN组A的推荐度后，再做统一的归一化处理，最终获取推荐度指数，从而便于卖家对结果进行排序输出。在输出显示时，可以用星级表示推荐度而不直接显示定量结果。根据Fig.1，可设定为：

5 stars：top 12％

4 stars:13％～55％

3 stars:56％～71％

2 stars:72％～80％

1 star:lowest 20％

本发明所建立的基于亚马逊平台的关键词与产品组的推荐度定量模型将能够对关键词与ASIN组之间的相关性进行全局的定量分析。对于大多数的亚马逊卖家而言，这一相关性的意义远远大于关键词与单个ASIN之间的相关性，至少体现在以下几个方面：

(1)所得到的结果可以更精准地帮助卖家进行市场分析和选品，快速获取流量大、转化率高的关键词，筛选掉特异性过高的低相关词(这些关键词往往会带来无效甚至有害的不精准流量)；

(2)在亚马逊站内广告推广方面，基于本算法得到的关键词库按推荐度的排名结果，与开通一段时间后(2～4周)的按转化率排名的广告关键词结果非常接近，证明了算法的可靠性和稳定性，也表明可以帮助卖家节省了需要通过跑广告来筛选优质关键词的时间和花费，提供了长期帮助改善排序的有效策略；

(3)在listing优化等方面也有非常关键的作用，例如标题的撰写、Search terms的设置，bullet points和product description的完善等，都可以借助推荐度的输出结果进行调整；

(4)推荐度的变化还可以用于对竞品的监控与分析，从而帮助卖家分析竞争对手的流量关键词及其变化，提升自己产品的销量、排名与利润。

Claims (1)

1.一种基于亚马逊平台的ASIN组的关键词推荐方法，其特征在于，包括以下步骤：

S1、对待分析的ASIN，利用ASIN关联算法建立与ASIN_0相似的产品组成的ASIN组，并命名为ASIN组A，其中待分析的ASIN记为ASIN_0；

S2、获取所有与ASIN组A建立联系的关键词库B；

S3、计算得到关键词库B中关键词对ASIN组A中产品的关联度，完成基于亚马逊平台的ASIN组的关键词推荐；

所述步骤S3包括以下步骤：

S301、根据关键词库B，对关键词KY_j循环搜索；

S302、通过反查关键词的方式，填充关键词KY_j的搜索结果列表；

S303、对ASIN组A，从其中的成员ASIN_i开始循环搜索；

S304、获取关键词KY_j的搜索列表中排序在ASIN_i之前的所有非ASIN组A中的产品的个数x_i；

S305、根据x_i，计算得到关键词KY_j与ASIN_i关联度f_i；

所述步骤S305中关联度f_i的表达式如下：

其中，d表示亚马逊搜索页面的产品数，取值为16；或者

所述步骤S305中关联度f_i的表达式如下：

；

S306、判断是否循环搜索完ASIN组A中所有成员，若是，则得到关键词KY_j对ASIN组A中所有产品的关联度，并进入步骤S307，否则，返回步骤S303；

S307、根据关联度，计算得到关键词KY_j对ASIN组A中所有产品的推荐度；

所述步骤S307中推荐度的表达式如下：

其中，N表示ASIN组中ASIN的总数，i表示ASIN组中ASIN的个数，；

S308、判断是否循环搜索完关键词库B中所有的M个推荐度，若是，则进入步骤S309，否则，返回步骤S301；

S309、对所有M个推荐度进行归一化处理，得到M个推荐度指数F，并进行排序，完成基于亚马逊平台的ASIN组的关键词推荐。

Images