自动广告为什么能跑出词？逐段精读亚马逊关键词生成论文
很多亚马逊卖家开自动广告，复盘方式很熟练： 出单词拉出来做精准。 花钱不出单的词否掉。 ACOS 高的词降 bid。 这些动作都没错，但它们只是在处理广告跑出来之后的结果。 更底层的问题是： 亚马逊广告系统一开始是怎么理解你的商品，并把它匹配到一批关键词上的？ 今天精读的这篇论文是 Amazon …
自动广告为什么能跑出词？逐段精读亚马逊关键词生成论文
很多亚马逊卖家开自动广告，复盘方式很熟练：
出单词拉出来做精准。
花钱不出单的词否掉。
ACOS 高的词降 bid。
这些动作都没错，但它们只是在处理广告跑出来之后的结果。
更底层的问题是：
亚马逊广告系统一开始是怎么理解你的商品，并把它匹配到一批关键词上的？
今天精读的这篇论文是 Amazon 的 Campaign Keyword Augmentation via Generative Methods。
它不是一篇教卖家怎么手动选词的文章，而是在讲广告系统内部一个非常关键的问题：
给定一个广告活动里的商品，系统能不能自动生成一批高质量关键词，让广告有机会获得更多相关曝光？
这件事对应到卖家后台，就是我们每天都在用的自动广告、关键词推荐、广告召回和冷启动跑词。
这篇文章会按论文原文顺序来读。每一段我都会先讲“原文到底在说什么”，再翻译成亚马逊卖家的业务语言，最后提醒哪些地方容易被误读。
论文核心信息卡
- 论文标题：Campaign Keyword Augmentation via Generative Methods
- 作者：Haoran Shi 等，Amazon.com Inc.
- 发表时间：2021 年 8 月 5 日（ECNLP 2021）
- 研究对象：Sponsored Search 里的 campaign keyword augmentation
- 核心问题：如何根据商品信息，为单商品或多商品广告活动生成高质量关键词
- 关键方法：Generative seq2seq model + trie-based search mechanism
- 评估方式：人工标注、离线分析、在线实验
- 卖家关键词：自动广告、冷启动、搜索词报告、Listing 信息质量、多商品 campaign、关键词扩展
逐段精读一：摘要开头，关键词扩展为什么是广告基础设施
原文在说什么：
论文摘要一开头就说，关键词扩展是 sponsored search modeling and business 的基础问题。
这句话很重要。
很多卖家以为关键词只是广告后台里的一个操作项：我填词，系统投放。
但在广告系统里，关键词不只是卖家填的一串文本，它还是广告能否进入候选池的入口。
如果广告活动没有足够关键词，系统很难给它足够曝光。
如果关键词质量差，广告会匹配到不相关 query，带来低转化，甚至损害用户体验。
卖家业务解读
自动广告跑词差，不一定是“亚马逊乱跑”。
很多时候，是系统拿到的商品信号不清楚，导致它不知道该往哪个关键词空间里扩展。
比如一个行车记录仪 Listing，如果标题里只写 camera for car，五点里没有清楚表达 front and rear、parking monitor、night vision、loop recording，系统就很难稳定理解它到底适合哪些搜索意图。
广告关键词扩展的前提，不是后台设置，而是商品信息本身。
逐段精读二：摘要第二层，机器生成关键词有两个用途
原文在说什么：
论文接着说，机器生成的关键词可以有两个用途：
第一，推荐给广告主，提高 campaign discoverability。
第二，作为 sourcing 和 ranking 模型的特征。
这两点要分开看。
推荐给广告主，是我们能在后台感受到的部分，比如系统推荐关键词、自动广告跑出词。
作为 sourcing 和 ranking 特征，是更底层的部分。它说明关键词生成不只是给卖家看的词表，也可能参与广告候选召回和排序建模。
卖家业务解读
这意味着关键词不是孤立存在的。
一个词能不能带来曝光，通常要经过几层：
- 系统认为你的商品和这个词有关系。
- 这个词所在的广告候选池里，你的广告有资格进入。
- 进入候选后，系统还要看相关性、点击概率、购买概率、bid、预算等。
所以，不是你看到某个词“相关”，就一定应该高价投。
也不是自动广告跑出某个词，就代表系统认定它一定适合你。
它可能只是候选扩展的一部分，还需要后续数据验证。
逐段精读三：摘要第三层，冷启动和多商品 campaign 为什么最难
原文在说什么：
论文明确指出，高质量关键词生成很难，尤其是 cold campaigns。
什么是 cold campaign？
就是历史日志很少，甚至没有历史点击和曝光数据的广告活动。
这和新品广告非常像。
新品刚上架，没有足够广告点击、购买、转化记录，系统不能依赖过去表现来判断该给什么词。
论文还提到另一个行业趋势：一个 campaign 里包含多个 products。
这会让关键词生成更复杂。
因为不同商品可能共享一部分关键词，也可能有完全不同的搜索意图。
卖家业务解读
这段对卖家的启发非常直接：
第一，新品广告冷启动时，Listing 信息质量会被放大。
没有历史数据时，系统能依赖的主要就是商品标题、类目、属性等 metadata。
第二，多商品 campaign 不能乱建。
很多卖家为了省事，把一堆变体、不同功能、不同场景的商品放进一个自动广告。
这样做会让系统很难判断这个 campaign 应该生成什么关键词。
比如你把前后双录行车记录仪、单前录行车记录仪、倒车摄像头、车载支架放在一个 campaign 里，系统生成出来的词一定会混。
后面你再花大量时间否词，本质是在给错误结构擦屁股。
逐段精读四：摘要第四层，论文提出 seq2seq + trie 的方法
原文在说什么：
论文提出的方法是：
用生成式 seq2seq 模型生成关键词，再用 trie-based search mechanism 做约束。
seq2seq 可以理解为：
输入商品标题，输出可能的搜索关键词。
但是生成模型有一个问题：它可能生成看起来像关键词、但真实用户不这么搜的词。
所以论文加入 trie-based search mechanism。
Trie 可以简单理解成一个真实 query 组成的树状词典。
模型生成关键词时，不是自由发挥，而是在真实 query 空间里走路径。
这样可以保证生成的关键词是 canonical query space 里存在的有效 query。
卖家业务解读
这段非常关键。
它告诉我们：高质量 AI 生成关键词，不能只靠大模型“想象”。
必须被真实搜索数据约束。
卖家自己用 AI 做关键词扩展时，也应该遵守这个原则：
不要只让 AI 根据产品随便生成 200 个词。
更好的做法是：
- 先给 AI 产品标题、五点、类目、竞品 ASIN。
- 再给它真实搜索词报告、ABA/SQP、广告搜索词、竞品反查词。
- 要求它只在真实搜索表达基础上扩展和聚类。
没有真实搜索数据约束的关键词表，很容易看起来很丰富，实际投放很虚。
逐段精读五：Introduction 第1段，Sponsored search 连接搜索词和产品
原文在说什么：
论文 Introduction 先解释 sponsored search 的基本逻辑：
广告主提供 targeting keywords 和 bid，广告平台让 campaign 匹配 shopper queries。
匹配方式可以是 lexical，也可以是 semantic。
Lexical 是字面匹配。
Semantic 是语义匹配。
比如用户搜 standing desk mat，字面上不一定等于 anti fatigue mat，但语义上可能非常接近。
卖家业务解读
这就是为什么广告不能只靠手动精准词。
精准词适合收割已知需求。
但自动广告、广泛匹配、词组匹配、商品投放，本质上都在帮你探索语义相关需求。
卖家的广告结构应该分两层：
- 收割层：Exact 高转化词，预算稳定，bid 更精细。
- 探索层：Auto/Broad/Product Targeting，用来发现新的 shopper query。
如果你只做精准词，账户会很稳，但增长空间有限。
如果你只做自动和广泛，账户会有流量，但效率容易失控。
逐段精读六：Introduction 第2段，关键词数量和质量决定广告表现
原文在说什么：
论文说，关键词的 quantity 和 quality 都非常关键。
关键词不够，campaign 很难获得足够曝光。
关键词质量差，会把用户 query 匹配到不相关广告，导致低转化并损害 customer experience。
这其实就是广告最核心的矛盾：
曝光和相关性之间的平衡。
卖家业务解读
很多卖家会犯两个相反的错误。
第一类错误：词太少。
只投几个自己认为最精准的词，结果曝光上不去，订单增长慢。
第二类错误：词太宽。
看到有搜索量的词都想投，结果花费上去了，转化跟不上。
这篇论文的价值就在这里：
它不是单纯追求更多关键词，而是追求更多有效关键词。
所以卖家复盘广告时，不能只问：
这个词出单了吗？
还要问：
- 它是不是精准需求？
- 它是不是替代需求？
- 它是不是互补需求？
- 它是不是错误需求？
- 它带来的曝光是否有点击？
- 点击后是否购买？
- 不购买是词错了，还是页面承接差？
逐段精读七：Introduction 第3段，人工选词为什么很难
原文在说什么：
论文说，高效、最优的关键词选择很有挑战，也很耗时，因为它需要深刻理解广告行业和 sponsored search platform。
这句话对卖家很现实。
广告选词不是把工具里搜索量大的词复制过来。
一个词能不能投，要看：
- 商品是否真正满足这个需求。
- 结果页竞争强不强。
- CPC 是否能承受。
- 详情页是否承接。
- 当前阶段是新品探索，还是老品收割。
卖家业务解读
成熟广告运营和新手的差距，就在这里。
新手看词表。
高手看需求、竞争、成本、转化和阶段。
比如 dash cam 搜索量大，但它是大词，意图混杂，竞争强。
front and rear dash cam for truck 搜索量小，但意图清楚，转化可能更好。
如果新品没有评论和价格优势，一上来硬打 dash cam，大概率是买昂贵学习成本。
逐段精读八：Introduction 第4段，多商品广告让选词更复杂
原文在说什么：
论文提到，过去 campaign 通常围绕单个产品。
但现在广告形式更丰富，一个 campaign 可以包含多个产品、品牌店铺，甚至 rich media contents。
这让关键词选择更重要，也更难。
卖家业务解读
这段非常适合解释为什么广告结构不能乱。
如果 campaign 里都是同一类产品，比如同款行车记录仪不同颜色或不同内存卡套装，关键词可以共享。
但如果 campaign 里混了不同用途产品，系统生成词时就会被多个语义拉扯。
卖家可以用一个简单原则判断：
同一个 campaign 里的产品，是否可以被同一批 shopper queries 搜到？
如果答案是否定的，就不要放在一起。
广告结构越乱，系统学习越慢，否词成本越高，复盘越困难。
逐段精读九：Related Work，传统关键词提取为什么不够
原文在说什么：
论文在 Related Work 里提到，过去很多关键词提取方法依赖统计信息，比如词频、共现。
RAKE 就是典型方法，它会从文档里抽取候选短语，并根据共现计算分数。
这些方法适合较长文档，但广告 campaign 和商品标题通常很短，语境不足。
论文还提到，短文本里抽取高质量、多样关键词很难，因为缺少上下文。
卖家业务解读
这解释了一个常见问题：
为什么只从标题里拆词，效果很有限？
因为标题是卖家写给人和系统看的商品摘要，不等于买家真实搜索语言。
比如标题里写 car camera，用户可能搜：
- dash cam
- dashboard camera
- front and rear dash camera
- parking monitor camera
- camera for car accident recording
只靠标题词频抽取，很难覆盖这些真实表达。
所以卖家做关键词，不要只拆标题。
必须结合：
- 广告 search term report
- 品牌分析 ABA
- SQP
- 竞品反查词
- 评论里的用户表达
- 客服问题
逐段精读十：Method 第1段，任务定义是 Products-to-Keywords
原文在说什么：
论文的方法部分先定义任务：
给定一个 campaign C，里面有一组 products，目标是生成一组 relevant keywords。
它先讲单个 product 怎么生成关键词，再扩展到多个 products 的 campaign。
这个定义非常重要。
因为它不是 query-to-product，而是 product-to-keyword。
也就是说，它从商品出发，反推用户可能怎么搜。
卖家业务解读
这就是自动广告和手动选词最大的区别。
手动选词通常是卖家从市场词表出发：
我觉得用户会搜这些词。
自动广告和关键词生成更像是系统从商品出发：
基于这个商品，可能有哪些用户 query 适合它？
如果商品信息写得不清楚，系统反推出来的 query 就会偏。
所以，广告优化不能只在广告后台做。
Listing 优化本身就是广告优化的一部分。
逐段精读十一：Method 第2段，训练数据为什么来自自然搜索点击
原文在说什么：
论文选择 organic search click data 来训练模型。
数据是 query-product pairs，也就是用户自然搜索后点击了哪些商品。
论文还解释，相比 sponsored search data，自然搜索数据能指导模型生成更多关键词。
这点很有意思。
因为广告数据会受广告主投放词限制，而自然搜索数据更接近用户真实搜索和点击行为。
卖家业务解读
卖家做关键词扩展时，也应该重视自然搜索数据。
广告 search term report 很重要，但它只反映你广告已经触达过的流量。
如果你只看广告报告，就会被当前广告结构限制。
更完整的关键词研究，应该结合自然搜索视角：
- 竞品自然排名词
- SQP 查询词
- ABA 热门搜索词
- 自然订单来源变化
- Review 里用户真实叫法
广告选词不是只从广告里找词。
广告要反过来服务自然搜索增长。
逐段精读十二：Method 第3段，T5 tokenizer 和 subword 解决词表增长问题
原文在说什么：
论文提到，shopper queries 和 product titles 的词表会持续增长，但 subword encoding space 更稳定。
所以他们使用 pretrained T5 tokenizer 做 tokenization，处理 out-of-vocabulary 问题。
简单说，用户搜索词和商品标题每天都在变化，新品牌、新型号、新拼写、新组合不断出现。
如果模型只能认识固定词表，就会很难处理新词。
Subword 能把词拆成更小单元，提高泛化能力。
卖家业务解读
这对卖家有两个启发。
第一，不要迷信错拼词堆砌。
系统越来越有能力处理词形变化、子词、组合表达。
第二，型号、规格、品牌、核心属性仍然要写准确。
Subword 能帮助系统理解新词，但不能替你纠正混乱信息。
比如型号 B0D6J5B98H、4K、front rear、WiFi、64GB，这些关键信息要准确、统一、稳定。
不要今天写 wifi dashcam，明天写 wireless car recorder，后天又改成另一个说法，让系统和用户都混乱。
逐段精读十三：Method 第4段，Seq2Seq 模型如何从标题生成 query
原文在说什么：
论文用产品标题作为输入 X，用目标 query 作为输出 Q。
训练时，模型看产品标题和已经生成的前几个 query token，预测下一个 token。
模型结构用的是多层 GRU encoder-decoder，并用 cross entropy loss 最大化生成正确 query 的概率。
小白可以不用管公式。
你只要理解：
模型在学习一种映射关系：
商品标题长什么样，用户真实 query 可能怎么写。
卖家业务解读
这就是为什么标题仍然非常重要。
标题不是越长越好，而是要给系统清晰输入。
标题应该优先说清：
- 商品是什么
- 核心功能是什么
- 关键规格是什么
- 适用对象或场景是什么
如果标题只堆卖点，没有清晰商品身份，模型就很难把它映射到正确 query。
比如：
差标题：2026 Upgraded Super Clear Camera with App Control
好标题：4K Front and Rear Dash Cam, WiFi Car Dashboard Camera with Night Vision and Parking Monitor
后者更容易让系统理解它应该连接哪些广告搜索词。
逐段精读十四：Method 第5段，Trie-based decoding 保证生成词是真实 query
原文在说什么：
论文说，标准 beam search 容易生成相似、缺乏多样性的序列。
他们构建了一个基于训练数据里所有 query 的 trie。
模型每一步生成时，只保留 trie 里允许的下一个 token。
这样生成出来的 query 一定存在于 canonical query space 中。
论文把这样的 query 定义为 valid queries，因为它们反映了 shopper 的真实用词选择。
卖家业务解读
这是整篇论文最值得卖家学习的地方。
AI 生成关键词不能自由发挥。
必须被真实购物语言约束。
如果你让 ChatGPT 随便生成关键词，它可能写出很多听起来合理、但买家根本不搜的词。
真正可投放的关键词，应该来自或贴近真实 query space。
卖家可以照这个思路做一个自己的关键词流程：
第一，用 AI 根据产品生成初始词。
第二，用 ABA、SQP、广告搜索词、竞品词库过滤。
第三，只保留真实出现过或高度接近真实搜索表达的词。
第四，再按相关性、竞争度、转化可能性分层投放。
不要拿一张“AI 想象词表”直接开广告。
逐段精读十五：Method 第6段，多商品 campaign 的两种处理方式
原文在说什么：
论文讨论了多商品 campaign。
第一种方法是 G-KA：对每个 product 分别生成关键词，再把关键词聚合起来。
第二种方法是 G-HSM：把每个 product title 编码到 latent space，然后平均这些 title encodings，再用 decoder 生成关键词。
简单理解：
G-KA 是“每个商品各自想词，再合并”。
G-HSM 是“先把多个商品合成一个整体语义，再生成词”。
卖家业务解读
这段直接对应广告活动结构。
如果一个 campaign 里产品高度相似，G-HSM 这种“混合语义”可能有效。
比如同一款 dash cam 的 32GB、64GB、128GB 套装。
但如果产品差异很大，平均语义会变得模糊。
比如你把 dash cam、倒车雷达、手机支架放一起，系统很难生成准确关键词。
所以卖家建广告活动时，不要只按预算方便分组。
要按用户搜索意图分组。
能被同一批 query 搜到的产品，才适合放在一起。
逐段精读十六：Experiment 第1段，训练数据规模和冷启动测试
原文在说什么：
论文实验使用 2020 年 9 月到 2021 年 3 月的 search click logs。
经过过滤后，得到 620 万 query-product pairs。
其中 95% 以上 query 长度小于或等于 6 个 token。
测试集使用 cold campaigns，也就是 2021 年 1 月到 3 月曝光少于 100 的广告活动。
因为训练用的是 organic search log，所以训练和测试没有重叠。
卖家业务解读
这里有两个重点。
第一，真实购物 query 通常很短。
用户不会像卖家一样写完整卖点。
他们会搜 dash cam front rear、car camera night vision、parking monitor dash cam。
所以 Listing 和广告词要能连接短 query 背后的需求。
第二，论文专门用 cold campaigns 测试。
这说明关键词生成最大的价值之一，就是帮助冷启动广告获得曝光。
新品卖家尤其应该重视这篇论文。
逐段精读十七：Experiment 第2段，对比方法 ADV、RAKE、OS、G-KA、G-HSM
原文在说什么：
论文对比了几类方法。
ADV：广告主自己提供的关键词。
RAKE：传统关键词抽取算法，基于词共现。
OS：从 organic search logs 中提取曾经点击 campaign products 的 query。
G-KA：论文方法，对每个商品生成关键词再聚合。
G-HSM：论文方法，混合多个商品的 hidden state 后生成关键词。
卖家业务解读
这几种方法，其实很像卖家日常找词的不同来源。
ADV 像卖家自己凭经验填词。
RAKE 像从标题和文案里拆词。
OS 像从自然搜索和历史点击里找词。
G-KA/G-HSM 像系统基于商品信息和真实 query 空间自动扩展词。
一个专业卖家不应该只依赖其中一种。
应该把它们组合起来：
- 经验词用于启动。
- 自然搜索词用于校准。
- 自动广告词用于探索。
- AI 生成词用于补盲区。
- 数据验证用于决定放大或否定。
逐段精读十八：Experiment 第3段，人工标注和评估指标
原文在说什么：
论文每种方法抽样 1500 个 keyword-campaign pairs 做人工标注。
每个 pair 由三个审核员判断：
exactly relevant、partially relevant、irrelevant。
最终用多数决定作为标签。
为了简化，论文把 exactly relevant 和 partially relevant 合并，计算 relevance ratio。
此外，论文还看 Exposure，以及 Exposure/Count。
Exposure 代表这些关键词带来的广告流量。
Exposure/Count 代表每个关键词平均带来的曝光效率。
卖家业务解读
这套评估方式非常值得卖家学习。
很多卖家只看 ACOS，却没有做关键词相关性标注。
事实上，一个词出不出单之前，先要判断它属于什么相关性：
- Exact：精准购买需求
- Partial：部分相关或替代需求
- Complement：互补需求
- Irrelevant：不相关需求
如果一个词是 Irrelevant，不管 ACOS 暂时高低，都不应该长期投。
如果一个词是 Partial，它可能适合低 bid 探索，不适合高价抢位。
如果一个词是 Exact，短期 ACOS 高也不一定立刻否掉，可能需要优化主图、价格或详情页承接。
逐段精读十九：Experiment 第4段，结果表怎么读
原文在说什么：
论文的表格很有信息量：
- ADV：Count 12，Relevance 97.8%，Exposure 作为 baseline。
- RAKE：Count 9，Relevance 93.1%，Exposure 下降 71.66%。
- OS：Count 2，Relevance 98.1%，Exposure 提升 192.4%，Exposure/Count 提升 1654%。
- G-KA：Count 19，Relevance 78.1%，Exposure 提升 1665%，Exposure/Count 提升 1015%。
- G-HSM：Count 8，Relevance 88.3%，Exposure 提升 2194%，Exposure/Count 提升 3341%。
这组数据不能只看一个指标。
ADV 相关性最高，但曝光是 baseline，说明广告主自己填的词很准，但可能不够放量。
RAKE 相关性还可以，但曝光很差，说明只从标题里抽词不能解决用户搜索语言差异。
OS 相关性最高，但数量很少，说明自然搜索历史词很精准，但覆盖有限。
G-KA 词最多，曝光大幅提升，但相关性下降到 78.1%。
G-HSM 词更少，相关性 88.3%，曝光和单词曝光效率都很强。
卖家业务解读
这张表几乎就是广告扩词的现实。
精准词往往相关性高，但曝光不够。
传统拆词看起来安全，但放量弱。
历史自然词很准，但数量少。
生成式扩词能明显放大曝光，但必须接受相关性下降，并通过后续筛选控制风险。
所以卖家不能简单说“自动广告好”或“手动广告好”。
正确策略应该是：
- 用手动精准词保证基本效率。
- 用自动和广泛探索更多曝光。
- 用相关性标注和转化数据筛选。
- 把有效词迁移到精准。
- 把错误词否定。
- 把暴露出来的场景补回 Listing。
逐段精读二十：Experiment 第5段，在线 A/B 测试说明什么
原文在说什么：
论文还做了 online A/B testing。
他们把 G-KA 生成的关键词加入 campaign keywords，用于 ad sourcing。
同时保持系统里的 relevance 和 ranking logics 一致。
也就是说，实验主要测试的是：
增加生成关键词后，广告候选召回和曝光是否提升。
论文结果显示，生成关键词能作为 advertiser selected keywords 的有效补充，显著提升广告曝光。
卖家业务解读
这里一定不要误读。
论文不是说生成关键词后就一定赚钱。
它证明的是：
生成关键词能增加广告曝光机会。
但曝光之后，还要经过相关性、排序、点击、购买、预算和出价。
卖家用 AI 扩词也是一样。
AI 帮你发现更多入口，不代表每个入口都值得高价买。
扩词之后必须进入广告测试流程。
逐段精读二十一：Conclusion，论文最后真正留下的结论
原文在说什么：
论文最后总结：
它把 sponsored search keyword augmentation 任务建模为 constrained space 里的 seq2seq learning。
也就是：
用生成模型学习从商品标题到 query 的映射，但生成空间受到 trie 约束。
论文也提到未来方向：
更结构化的 decoding strategy，提升生成质量；
考虑更多因素，比如 long-tail keywords 和 keyword competitiveness。
卖家业务解读
最后这句话也很关键。
关键词不是只看相关性。
还要看长尾价值和竞争程度。
对卖家来说，一个关键词至少要过四关：
第一，相关性：我的产品是否满足这个需求？
第二，搜索意图：用户搜这个词是在了解、比较，还是准备购买？
第三，竞争度：这个词 CPC 和首页竞品我能不能打？
第四，承接力：我的主图、价格、评论、A+ 能不能让点击变成购买？
AI 生成关键词只能解决第一步的一部分。
真正的广告能力，是把关键词放进完整投放系统。
这篇论文给卖家的完整启发
第一，自动广告不是随机跑词。
它背后有商品信息到关键词的生成和扩展逻辑。
第二，Listing 是广告系统的输入。
新品没有历史数据时，标题、类目、属性、五点、图片会决定系统怎么理解你。
第三，多商品 campaign 结构非常重要。
同一个 campaign 里的商品必须共享相近搜索意图，否则系统生成词会混乱。
第四，AI 扩词必须被真实搜索数据约束。
没有 ABA、SQP、广告搜索词、竞品词库约束的 AI 词表，只是想象词表。
第五，扩词带来的首先是曝光，不是利润。
曝光之后必须继续看 CTR、CVR、CPC、ACOS 和自然排名变化。
第六，关键词复盘要先做相关性标注。
不要只按出单和 ACOS 判断词，要先判断它是精准、部分相关、互补还是不相关。
给卖家的实操流程
你可以直接按下面这个流程做广告扩词：
1. 准备商品资料
标题、五点、类目、属性、主图、A+、竞品 ASIN
2. 收集真实搜索数据
广告搜索词、ABA、SQP、竞品反查词、自然排名词、评论表达
3. 用 AI 生成候选关键词
要求 AI 只基于商品事实和真实搜索表达扩展
4. 人工标注相关性
Exact / Partial / Complement / Irrelevant
5. 分层投放
Exact 进手动精准，Partial 低 bid 测试，Complement 单独活动，Irrelevant 否定
6. 数据复盘
看曝光、CTR、CVR、CPC、ACOS、订单、自然排名
7. 反哺 Listing
高转化场景词补进五点、A+、图片和视频
不要误读这篇论文
第一，它不是在说“生成的词越多越好”。
G-KA 曝光提升很大，但 relevance 只有 78.1%，说明扩词一定伴随噪声。
第二，它不是在说“自动广告可以替代人工选词”。
论文的方法可以补充 advertiser selected keywords，不是取消卖家判断。
第三，它不是在说“标题塞满关键词就行”。
模型使用 product title 作为输入，不代表标题越长越好。标题要清晰表达商品身份，而不是无序堆词。
第四，它不是在说“曝光提升等于销售提升”。
论文关注 generated keywords 的质量和 exposure lift。卖家最终还要看点击、转化、利润和长期排名。
总结：这篇论文的精髓
这篇论文真正有价值的地方，不是告诉我们某个关键词工具更好，而是揭示了广告系统的一个底层逻辑：
广告扩词，本质上是从商品语义到用户搜索语言的翻译。
卖家的工作，就是让这个翻译更准确。
商品信息越清楚，系统越容易生成正确词。
真实搜索数据越充分，AI 扩词越不容易跑偏。
广告结构越干净，系统越容易学习。
复盘越细，关键词就越能从“花钱流量”变成“可积累资产”。
如果你以后再看自动广告，不要只问：
这个词出单了吗？
更应该问：
这个词为什么会被系统跑出来？
它说明系统怎么理解我的商品？
这个理解是对的，还是偏了？
如果是对的，怎么放大？
如果是偏的，应该修广告，还是修 Listing？
这才是这篇论文对亚马逊卖家最重要的启发。