亚马逊Rufus推荐机制曝光，深入了解亚马逊的AI搜索推荐机制

自亚马逊新算法Rufus全面上线至今，已经过去有一年多了。但不少卖家发现，新算法上线后，一年多以来链接流量并没有上升，反而下滑了。出现这种情况的根本原因，很可能是新算法Rufus的“意图识别”逻辑，正在过滤掉你的产品。

那问题来了——

• Rufus究竟是根据什么来推荐产品的？

• 为什么有些Listing被频频推荐，而另一些却“毫无存在感”？

• 你的链接有被Rufus推荐过吗？

  
  

今天我们根据一组研究数据，来深入了解亚马逊Rufus的推荐机制。

一、亚马逊Rufus推荐产品的核心特征

根据一份对300个搜索提示、1000多款被推荐产品的研究分析结果显示，发现：

• Rufus只推荐评分4星及以上的产品

• 推荐产品的平均评论数量高达9000条

• 评论数极低的产品几乎不会被推荐（仅1条评论的产品被推荐概率只有0.2%）

数据来源：Profitero+

在统计被推荐的产品中，产品的最低星级为4.0，平均星级4.5，各评分星级占比情况：

• 4.0-4.2的占比6%

• 4.2-4.4的占比19%

• 4.4-4.6的占比为41%

• 4.6-4.8的占比为31%

最低评论数为1条，平均为9023条，各评论数量占比情况：

• 1-100条的占比7%

• 100-1000条占比25%

• 1000-10000条占比38%

• 10000条以上30%

从数据上看，Rufus推荐时首要标准是评论星级，换句话说，如果评论星级低，即便价格有优势，广告打得再多，也很难进入Rufus的推荐列表。

不过，星级与评论数量只是表层逻辑，Rufus的推荐逻辑，还不止于这些。

二、Rufus的推荐逻辑：从关键词到语义理解

在COSMO算法还没有出现时，过去A9算法依赖精确的关键词定位，将买家搜索词与产品标题、描述等内容进行匹配来决定曝光。这种方式虽然能够在一定程度上满足用户需求，但往往无法捕捉到用户更深层次的意图。

而新算法COSMO出现后，不再停留于关键词的匹配，而是识别“买家想解决什么问题”，分析买家的搜索背后动机。COSMO在分析listing时，会综合考虑一下维度：

• 关键词相关性：文案是否与买家真实搜索意图匹配

• 语境表达：场景及功能体现，是否清晰解释“为什么这个功能重要及适合什么人群在哪些场景使用”

• 转化潜力：通过历史行为数据（如点击、转化、评分等）预测转化概率

COSMO为每条Listing生成“语义质量得分”，而这个得分，正是Rufus推荐的基础。

如果说COSMO是算法大脑，那么Rufus就是与买家对话的“前台AI”。当买家在Rufus对话框输入问题时，Rufus会主动提取listing里的结构化信息和评论信息：用户人群、使用场景、核心痛点、解决方案，然后生成推荐，甚至附上智能标签，对比推荐。

图片来源：亚马逊

这也就意味着，listing不再是只写给人看的，也要让AI读得懂。根据语义相关性、内容完整度、评论星级和评论数量来决定是否推荐。

这也是为什么一些listing，即便历史表现不错，但最近一年来流量却下滑严重——因为它的文本结构已经不再适配Rufus的AI推荐逻辑。而且现在不光是lisitng文本，还有图片、视频都在利用AI识别。谁能提供更优质、结构化的信息供AI提取，谁就能获得更高的搜索权重倾斜。

所以过去那种“关键词堆砌”的Listing正在失效，现在算法更看重：

• 文案是否清晰呈现用户人群和场景

• 是否解释产品如何解决痛点

• 是否语义自然、结构完整、可被AI理解

如果文案过于简单或者不够结构化，Rufus就难以抓取核心语义，即使评论星级和评论数量达标，也无法将你的产品推荐给目标买家。

那卖家如何根据Rufus推荐逻辑写好Listing？

面对新算法的推荐机制，董老师在运营课上中提出PSPS线性文案结构化方法，通过该模型让文案精准匹配COSMO与Rufus抓取偏好，获取精准的AI推荐流量，感兴趣的可以了解一下。