大约分为3个阶段

第一阶段：listing建立后，基于原始的listing数据，进行数据清洗，由于数据需要发布到各个服务器和计算，所以需要一段时间。

数据清晰

第二阶段：归类并确定参数，这个过程大约需要12小时

归类并确定关联参数

第三阶段：产品初期的流量曝光，并进行参数修正

初期流量曝光

上结果：产品初期12-96小时，属于系统认识产品的初级阶段，基本取决于listing的分类以及标题等页面信息。第二阶段通过策略性曝光推荐给买家，通过买家行为重塑或者修正产品的参数，从而搜索引擎更好的认识产品。

以下内容来自知乎，大家可以参考

AmazonAmazon 作为推荐引擎的鼻祖，其推荐的核心是通过数据挖掘算法和比较用户的消费偏好与其他用户进行对比，借以预测用户可能感兴趣的商品。Amazon 采用的是分区的混合的机制，并将不同的推荐结果分不同的区显示给用户。今日推荐(Today's Recommendation For You): 通常是根据用户的近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。新产品的推荐(New For You): 采用了基于内容的推荐机制(Content-based Recommendation)，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启动”的问题。捆绑销售(Frequently Bought Together): 采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。别人购买/ 浏览的商品(Customers Who Bought/See This Item Also Bought/See): 这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。 另外，Amazon 很多推荐是基于用户的profile 计算出来的，用户的profile 中记录了用户在Amazon 上的行为，包括看了那些物品，买了那些物品，收藏夹和wish list 里的物品等等，当然Amazon 里还集成了评分等其他的用户反馈的方式，它们都是profile 的一部分，同时，Amazon 提供了让用户自主管理自己profile 的功能，通过这种方式用户可以更明确的告诉推荐引擎他的品味和意图是什么。