先从技术性视角解释一下amazon监管对系统Review的大约审批原理，便于大伙儿在操作过程里能积极防范一些低级性过错。
amazon大信息系统会对Review、Feedback(文中通称为评价)个人行为开展特征归类统计分析，关键优化算法是聚类分析法及其神经系统管理决策互联网。
评价特征剖析依据应用统计学原理对各种各样层面指标值分配几率或某类规律性开展归类，特征值包含提交订单与评价间距、订单折扣优惠、评价頻率、评星评分、评价与意见反馈比例、发图比例、视頻比例、评分遍布、评价相对密度、订单选购特征、评价內容敏感词汇、评价账户各种各样特征这些，事实上电子计算机全自动统计分析归类的指标值远远地超出所述十几个。
当一些账户评价发现异常特征时，系统软件会觉得该评价存有实际操作的概率(适用度)，从而会对该评价相近特征的评价再度开展特征归类剖析，而且有神经系统管理决策互联网测算人为因素操纵的适用度。
例如：廉价交易量、绝对词太密、评价頻率高、提交订单与评价间距规律性这几类或是和别的实际操作特征另外出現，那麼人为因素操纵的适用度就十分高。适用度做到某一水准，便会开启警告信或是立即封禁。
这一全过程与警员判案十分相近，大伙儿平时实际操作就需要防止一些个人行为变成规律性。有关review的管理方法，亚马逊测评之家论坛有详细干货讲解！
下列是举了几个在操作流程中较为非常容易犯的失误，大伙儿平常加多注意。
1、平时操纵订单若有标准，尽可能保持较为低的留评价比例。这一比例主要是只实际操作订单的比例，并不一定订单的比例。提议操纵在10%-20%中间，尽可能就低不就高。
原理：操纵的订单即便做的再健全，也一定会有一些相近的特征值，会一部分产生实际操作订单的聚类算法:实际操作越安全性被聚为一两大类的概率越低，技术专业与仿冒的功底许多在这里反映。
假如这种聚类算法事后的评价出現很多操纵的别的特征，其操纵的适用度便会很高，风险性也就越高，被发觉的几率也就越大。
2、针对操纵订单，新品前边几十个单不建议留评价，老商品前两单不建议留评价。
原理：amazon领域数据分析顾客留评价比例极低，也就是分阶段的评价相对密度和特征呈高宽比的偶然性，老商品会出现波动性较低的特征值。针对新产品而言，早期的留评价比例会突然冒出特征起伏，而且不断起伏(假定前边几十个留评保持20%)。
对新产品而言操纵评价的适用度是十分高的，老商品由于历史时间特征归类则不容易出現很大特征起伏。
3、提交订单与评价的间隔时间尽可能分散化，不必常常在某一间距分配review。例如：半个月、贰拾天、叁拾天、陆拾天各种各样间距都是有分配。
原理：真正的顾客留评价是高宽比偶然性的，提交订单后几个月内哪天第有可能留评价。amazon的此项特征值也是呈随机分布的，假如一些Listing的评价经常会出现某类间隔时间值过多集中化，则会造成该聚类算法的进一步操纵特征剖析。
例如：突然冒出15-20天内间距的过多，或是10天和半个月的过多这些。大伙儿进行內容设定尽量使间距分散化。
4、Review+Feedback或是Review+发图这种评价不必常常密度高的出現，绝大多数上单纯性Review，尽量避免上Review+Feedback+照片的评价。
原理：amazon真正顾客评价个人行为特征中，Review+照片、Review+Feedback这类个人行为是归属于有时候性。Review+Feedback+照片的个人行为也是极为极少数(从订单比例或是评价比例看)。
假如某一List分阶段的出現密度高的之上特征，这一定会开启amazon操纵评价的检验，对这种订单或是全部List近期评价开展剖析。这类个人行为毫无疑问是造成操纵行为的关键要素。
5、尽可能用自身独创性Review內容，防止过多的绝对、不可逆性措辞，严禁剽窃同行业Review或是拼接Review內容。
原理：为检验顾客的消费者行为特征，amazon会对Review的內容开展文本挖掘，提炼出有使用价值的评价特征。关键是剖析修饰词、专有名词、形容词等词义，如果是剽窃內容或是拼接內容则会出現于别的商品词义特征高宽比类同。绝对、不可逆性措辞过多会大量几率被判断为权益互换评价。那样非常容易被审批不通过，或是中后期被删掉。