广告排序不是只看点击率：逐段精读 RankFormer 排序论文

很多卖家看广告报表时，只盯着一个词的点击率、转化率和 ACOS。 但在亚马逊搜索结果页里，广告不是单独存在的。 它和同页的自然位、其他广告位、价格、主图、评分一起竞争。 RankFormer 这篇论文要解决的，就是排序系统如何从一整页用户反馈里学习更好的排名。

论文核心信息卡

• 论文标题：RankFormer: Listwise Learning-to-Rank Using Listwide Labels
• 发表时间：2023 年（KDD 2023）
• 研究对象：搜索和广告场景中的 listwise learning-to-rank
• 核心问题：当用户只看到一页有限结果时，系统如何利用点击、未点击和整页反馈学习更好的排序？
• 关键方法：Listwise Transformer + listwide labels
• 卖家关键词：广告排序、相关性、CTR、转化率、坑位、整页竞争
• 原文主要章节：ABSTRACT / 1 INTRODUCTION / 2 RELATED WORK / 3 BACKGROUND / 3.1 Ranking / 3.2 Learning-to-Rank / 3.3 The Listwise Transformer

先给卖家的阅读路线

读这类广告算法论文，不要把它当成“后台操作教程”。

正确读法是四层：

第一层，看论文要解决的系统问题。它通常不是某个卖家今天怎么调广告，而是平台在亿级请求里如何做预测、排序、分配、出价、审核或归因。

第二层，看论文用了什么信号。凡是论文反复提到的 query、item、ad、user、budget、click、purchase、creative、traffic slice，本质上都是系统理解广告的材料。

第三层，看实验怎么验证。论文不会因为一个指标好看就下结论，它通常会看离线指标、人工评估、在线实验、长期窗口或因果反事实。

第四层，翻译成卖家动作。卖家不能照搬模型，但可以把论文里的系统思维变成广告结构、预算分层、素材测试、数据复盘和风险控制。

所以这篇文章的目标不是告诉你一个神秘权重，而是帮你建立更接近平台视角的广告判断框架。

逐段精读1：摘要：排序反馈天然是相对判断

原文在说什么：

论文摘要的核心意思是：用户点击某个结果，并不代表它绝对最好，只能说明在当前这页候选中，它相对更有吸引力。 所以排序模型不能只把每个商品当成孤立样本，而要把一整页结果作为一个列表来学习。

卖家业务解读

这对应广告复盘里的一个盲点：一个词点击率低，不一定是词错，也可能是同页竞品更强。 如果你的主图、价格、评分、coupon 都弱，即使关键词相关，也可能在排序里输掉。

这段一定要讲出来

这篇论文提醒我们：广告表现是相对竞争的结果，不是单个 listing 的静态属性。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读2：Introduction：为什么一页列表比单个样本重要

原文在说什么：

论文在引言里说，Web 应用通常只给用户展示有限的 items，因此排序模型的目标是把最相关的结果放在前面。 用户的点击反馈通常反映的是同一个 ranked list 内部的相对效用。

卖家业务解读

卖家做广告时，不能只问“我的广告有没有曝光”。 更重要的问题是：在同一个搜索结果页里，用户为什么应该点我，而不是点旁边那个竞品？ 这会把优化重点从单纯 bid 转向主图、价格、评价、促销和卖点表达。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读3：Background：pointwise、pairwise 和 listwise 的差别

原文在说什么：

论文回顾了排序学习的基本范式：pointwise 把每个 item 单独打分，pairwise 比较两个 item，listwise 直接优化整个列表。 RankFormer 属于 listwise 思路，因为广告和商品排序的真实场景就是列表。

卖家业务解读

亚马逊卖家常见的错误，是用 pointwise 思维看广告：这个词花了多少钱、出了几单。 但系统更接近 listwise 思维：同一 query 下，一批候选商品谁更可能让用户满意。 所以你要把自己放回搜索页里看，而不是只看后台一行数据。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读4：Listwide labels：没有明确相关性标签时怎么学习

原文在说什么：

论文重点提出 listwide labels。即使没有每个 item 的明确相关性标签，也可以从整页反馈中推导出列表级信号。 这类信号能帮助模型理解整页排序好坏，而不只是某一个点击。

卖家业务解读

这对广告很关键。卖家看到的是点击和订单，平台看到的是曝光、跳出、翻页、停留、购买等更完整的行为。 如果广告带来点击但用户很快离开，长期看它不一定是好广告。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读5：Transformer：为什么模型要理解列表内部关系

原文在说什么：

RankFormer 使用 Transformer 处理列表，因为 Transformer 擅长建模序列内部元素之间的关系。 在排序列表中，一个 item 的表现会受到它前后位置和其他 item 的影响。

卖家业务解读

这解释了为什么同一个广告素材换位置后表现会不同。 顶部广告位带来更多点击，但如果承接差，也可能放大浪费。 位置不是万能药，位置会放大你的优势，也会放大你的短板。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读6：实验：指标不能只看离线相关性

原文在说什么：

论文通过实验比较不同学习方式，关注模型在排序指标上的提升。 排序论文通常会同时看离线指标和真实应用效果，因为离线排序好不等于商业结果一定好。

卖家业务解读

卖家也要避免只看单一指标。 CTR 高但 CVR 低，可能说明主图吸引错人；CVR 高但曝光低，可能说明词太窄或 bid 不够；ACOS 低但量太小，也可能没有增长意义。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

逐段精读7：应用：广告排序是系统工程

原文在说什么：

论文强调的是排序建模方法，但背后是一个系统工程：候选召回、特征、列表建模、用户反馈和在线实验。 RankFormer 只是排序链路中的一个关键环节。

卖家业务解读

卖家优化广告也不能只动一个旋钮。 你调 bid、改主图、改标题、开 coupon、调价格，本质都是在改变排序模型看到的信号。 成熟运营要理解这些动作之间的联动。

拆到亚马逊后台应该怎么想

• 先问这个模块影响的是召回、排序、出价、预算、创意、归因还是风控。不同模块对应的后台动作完全不同。
• 再问你手里能改变的输入是什么：Listing、主图、价格、coupon、广告结构、关键词、预算、bid、素材还是落地页。
• 最后问数据应该怎么看：只看 ACOS 往往不够，还要看曝光、CTR、CVR、CPC、订单质量、自然排名和长期指标。
• 如果数据变好，不要急着归因给单一动作；如果数据变差，也不要立刻否定整个方向。先看样本量、时间窗口和竞争环境。
• 能沉淀的东西要沉淀成 SOP，例如关键词分层、预算池、测试周期、停损线、创意审核清单和复盘表。

不要误读这篇论文

• 不要把 RankFormer 理解成某个固定的亚马逊广告排名公式。
• 论文讲的是排序学习方法，不等于卖家可以反推出所有广告权重。
• 不要以为提高 CTR 就一定提高整体排序，转化和用户体验同样重要。

给亚马逊卖家的实操清单

1. 把核心广告词放回前台搜索页，截图对比同页竞品。
2. 对每个核心词记录主图、价格、评分、coupon、配送和卖点差距。
3. 把广告词分成曝光不足、点击不足、转化不足三类处理。
4. 对于高相关低点击词，优先改主图和首屏卖点。
5. 对于高点击低转化词，优先检查价格、评价、详情页承接。

卖家指标翻译表

• 曝光：系统愿不愿意给你进入候选和展示的机会。曝光不足，先查相关性、预算、bid、类目和广告结构。
• CTR：用户在同页竞争中是否愿意点你。CTR 弱，优先看主图、价格、评分、coupon、标题首屏和广告位。
• CVR：点击进来的人是否被页面承接。CVR 弱，优先看详情页、A+、评价、QA、价格、变体和配送。
• CPC：你为一次点击付出的市场竞争成本。CPC 变化不一定是你操作导致，也可能是竞品和系统拍卖环境变化。
• ACOS：短期利润压力指标，但不是所有广告的唯一指标。新品、视频、展示、品牌活动要结合长期和自然流量看。
• 自然排名：广告是否在反哺自然搜索。只买到付费订单但自然排名不动，说明广告和 Listing 承接可能没有形成闭环。

可以直接复制给 Codex 的复盘提示词

我正在复盘一组亚马逊广告，请你参考论文《RankFormer: Listwise Learning-to-Rank Using Listwide Labels》的思路，帮我做专业分析。
请不要只看 ACOS，要按以下结构分析：
1. 这组广告主要受召回、排序、出价、预算、创意、归因还是风控影响？
2. 当前数据里曝光、CTR、CVR、CPC、ACOS、订单和自然排名分别说明什么？
3. 哪些问题可能来自广告后台，哪些问题可能来自 Listing 承接？
4. 请把关键词或广告活动分成：放大、观察、降价、否定、回到 Listing 优化五类。
5. 给出未来 7 天的测试计划，包含预算、bid、观察指标和停损规则。
下面是我的广告数据：
【粘贴广告报表 / 搜索词报告 / Listing 信息】

总结：这篇论文真正值得学的地方

RankFormer 给卖家的最大启发是：广告排序不是孤立打分，而是同页竞争。 你不是在和关键词竞争，而是在同一个搜索意图下和一整页竞品竞争。

参考资料

• Amazon Science
• 论文 PDF