为响应10月生效的推荐算法相关法规要求，各大互联网平台已在资源页面公开其推荐算法应用规则。
Ozon
Ozon网站已上线搜索与推荐算法说明专区。其推荐系统通过评估用户与2000至4000个候选商品的交互概率进行预测，主要考量以下交互类型：
· 购买商品；
· 点击商品卡片；
· 加入购物车；
· 加入收藏。
预测流程分为三个阶段：
· 特征计算：提取可能影响实际销售的单品特征（Features），如评分、价格等，每个特征均为实数；
· 模型预测：采用决策树梯度提升法（GBDT）对特征集合进行处理，预测用户执行特定操作的概率；
· 数值输出：模型最终输出用于评估概率的数值结果。
Wildberries
平台分析了多维度参数，包括用户行为与查询信息、地理位置及设备数据、搜索会话时长、流量来源以及访问日期和时间。
零售商综合运用神经网络和机器学习模型等技术分析数据。基于收集到的用户信息，通过多组算法预测后续行为，并整合各算法结果以生成个性化推荐。
Яндекс.Маркет
Yandex生态（含搜索引擎）新增“推荐规则”板块，明确推荐内容将随用户行为动态调整。Market推荐算法主要依据以下用户偏好信息：
· 商品搜索历史；
· Market购买记录；
· 浏览与点击轨迹；
· 购物车及收藏夹商品；
· 历史服装尺码；
· 偏好品牌。
此外，算法还会参考其他用户的聚合数据，并根据排序原则展示商品：用户打开详情页、下单、加购或收藏的可能性越高，商品排名越靠前。
在生成推荐时，算法会综合分析用户行为及当前消费需求等因素，同时严格遵守法律法规及商品年龄分级等相关限制。
СберМаркет
该平台新增了推荐模型工作原理详解，区分了个性化与非个性化两种推荐模式。
1. 个性化推荐
基于用户在СберМаркет的操作记录推测兴趣点，具体应用场景包括：
· “值得关注”区块：生成个性化商品集，展示于合作伙伴目录主页；
· “加购”区块：生成个性化商品集，展示于购物车页面（付款前查看订单区域）。
2. 非个性化推荐
不依赖用户偏好信息，仅根据推荐区块目标推测潜在吸引商品，具体应用场景包括：
· “相似商品”区块：位于商品详情页，展示来自其他制造商或具有不同特性（口味、颜色、容量、尺寸等）的同类商品；
· “常一起购买”区块：位于商品详情页，展示与当前浏览商品高频关联购买的其他商品。