AMZ
用户中心
亚马逊平台研究

别再背“A9因子表”了：真正该读的是亚马逊搜索论文

这句话没有错，但问题在于，很多人研究的并不是 Amazon Search 的公开技术资料，而是一堆来路不明的“A9/A10 排名因子表”。

公众号文章库2026/6/149 分钟阅读

做亚马逊的人，几乎都听过一句话：

想做排名，就要研究 A9。

这句话没有错，但问题在于，很多人研究的并不是 Amazon Search 的公开技术资料，而是一堆来路不明的“A9/A10 排名因子表”。

比如有人说标题权重最高，有人说转化率权重最高，有人说广告权重最高，还有人说 A10 已经完全取代 A9。听起来都很像那么回事，但真正追问下去：这些结论来自哪篇论文？来自 Amazon Science 哪个公开资料？来自哪个实验？往往就说不清了。

这套合集想做的事情很简单：

不再用玄学解释亚马逊搜索，而是把 Amazon 公开发表过的搜索、排序、语义召回、Query 理解、COSMO、Rufus、视觉搜索、多模态搜索相关论文，一篇一篇拆给跨境卖家看。

我们不是要把大家培养成算法工程师。

我们要解决的是另一个问题：

当亚马逊搜索越来越像一个会理解商品、理解场景、理解用户意图的系统时，卖家到底应该怎么写 Listing、怎么布局关键词、怎么做图片、怎么做 A+、怎么理解广告和自然流量？

先把一个误区说清楚：亚马逊搜索不是一个简单公式

很多卖家喜欢问：

标题占多少权重？

五点占多少权重？

后台 Search Term 还有没有用？

广告点击会不会直接推自然排名？

这些问题之所以让人着迷，是因为它们看起来像可以被简化成一个公式：

排名 = 关键词相关性 × 转化率 × 销量 × 价格 × 评价 × 广告

但真实的工业级搜索系统不会这么简单。

从 Amazon 公开论文能看到，商品搜索至少包含几层：

  • Query 理解：用户搜的词到底是什么意思？
  • 召回：先从海量商品里找出候选商品。
  • 语义匹配：即使商品没有完全包含搜索词，也要判断是否相关。
  • 类目判断：这个 query 更像是在找哪个类目的商品？
  • 排序：把候选商品按相关性、购买可能性、用户体验等目标排序。
  • 结果融合：不同类目、广告、自然结果、推荐模块怎么组合。
  • 在线实验：模型上线后，是否真的让用户更容易买到东西。

所以卖家真正要理解的，不是“某个字段到底占几分”，而是：

亚马逊如何判断一个商品是否值得出现在某个搜索需求面前。

这个视角一变，很多运营动作都会变。

以前我们可能会想：我要把关键词尽量塞进标题。

读完语义搜索论文，你会意识到：关键词当然重要，但系统还会看商品和 query 的语义关系、用户行为、购买结果、同义词、上位词、拼写错误、形态变化。

以前我们可能会想：新品没销量就没有机会。

读完冷启动论文，你会意识到：亚马逊确实会研究如何在行为信号不足时，用先验、类目、替代关系、合成 query 等方式处理新品。

以前我们可能会想：A+ 和评论只是给用户看的。

读完 COSMO 和 Rufus 相关资料，你会意识到：商品知识、评论、Q&A、场景需求，正在变成 AI 购物助手理解商品的重要材料。

这套合集怎么读？

我把这 55 篇论文和资料分成 6 个主题。

第一季，是核心必读。

如果你只想先建立世界观，就先读这一季。这里面有早期 Amazon Search 的总体框架，有语义商品搜索，有多目标排序，有离线指标和在线实验，有 COSMO，也有 Rufus / Alexa for Shopping。

第二季，是 A9 / Amazon Search 的排序和实验。

这一季会回答一个问题：亚马逊排序到底在优化什么？不是只优化关键词相关性，也不是只优化销量，而是在多个目标之间找平衡。对卖家来说，这意味着 Listing 不能只写给搜索引擎，也要写给真实会购买的人。

第三季，是召回、语义匹配、索引和低延迟系统。

这一季会比较技术，但非常重要。因为搜索不是从所有商品里慢慢挑，而是先在极短时间里召回候选商品。你能不能进入候选池，可能比你在候选池里排第几还重要。

第四季，是 Query 理解、Query 改写、过滤器和自动补全。

这一季最贴近关键词运营。它会帮你理解：为什么同一个词背后可能有显式属性和隐式属性，为什么搜索框的联想词不是随便排的，为什么过滤器本身也需要排序。

第五季，是冷启动、季节性、新类目和特殊购物意图。

这一季适合做新品、季节品、Prime Day、礼品类、高考虑型产品的卖家。它会解释：在用户行为不足、需求波动明显、购物意图很模糊的情况下，系统可能怎么处理。

第六季，是 COSMO、Rufus、Agentic Shopping 和多模态搜索。

这是未来感最强的一季。它会告诉我们：亚马逊的搜索入口正在从“关键词搜索框”，逐渐走向“对话式购物助手 + 商品知识图谱 + 多模态理解”。

这套合集和普通 SEO 文章有什么不同？

第一，我们只基于可信资料。

主要来源包括 Amazon Science、ACM、KDD、SIGIR、WSDM、CIKM、WWW、Amazon 官方博客和官方新闻。泛 SEO 博客可以作为行业现象参考，但不会作为技术结论依据。

第二，我们会区分“论文事实”和“卖家推演”。

比如某篇论文说，Amazon 使用用户行为数据训练语义匹配模型。这是论文事实。

如果我们进一步说，卖家应该避免只堆关键词，而要围绕真实使用场景写标题、五点和 A+，这是面向运营的合理推演。

但我们不会说：这篇论文证明某个字段权重是 30%。因为论文没有这么说。

第三，每篇都会讲给普通卖家听。

遇到技术词，比如 bi-encoder、cross-encoder、XMC、Pareto Frontier、interleaving、knowledge graph，我都会用简单例子解释。

比如语义召回可以类比成：

你去仓库找“适合露营的保温杯”，如果仓库管理员只会找包含“露营”两个字的货架，就会漏掉很多真正适合露营的水壶；语义搜索要做的，就是让管理员理解“户外、保温、防漏、便携”这些意思也相关。

第四，每篇都要落到运营动作。

读论文不是为了炫技，而是为了让卖家知道：

  • 标题应该怎么写。
  • 五点应该覆盖哪些场景。
  • 后台词和广告词怎么理解。
  • 新品冷启动应该补哪些信号。
  • A+ 和图片为什么要讲清楚使用场景。
  • 评论和 Q&A 为什么会越来越重要。

先建立三个核心认知

在正式进入论文之前，我们先把三个词分清楚。

1. Amazon Search / A9：传统商品搜索的核心骨架

你可以把它理解成亚马逊商品搜索的基础系统。

用户输入 query，系统理解 query，召回商品，排序，融合不同结果，再把页面展示出来。

早期大家习惯叫 A9，但今天更准确的说法是 Amazon Search。因为它已经不是一个简单排名模型，而是一整套搜索、排序、召回、实验、系统工程的组合。

2. COSMO：让系统理解“商品常识”

COSMO 关注的是电商常识知识。

比如“买跑鞋的人可能关心缓震”“买婴儿推车的人可能关心折叠和安全”“买礼物的人可能关心对象、场景和预算”。

传统关键词匹配很难直接理解这些常识。COSMO 这类系统，就是在帮助电商系统把用户需求、商品属性和使用场景连接起来。

3. Rufus / Alexa for Shopping：对话式购物入口

Rufus 是 Amazon 公开介绍过的生成式 AI 购物助手。Amazon 官方资料提到，它会结合商品目录、评论、Q&A 和网络信息来回答购物问题。

到 2026 年，Amazon 又把 Rufus 的商品知识和 Alexa+ 的个性化上下文结合，推出 Alexa for Shopping。这个方向说明，亚马逊购物入口不只是搜索框，也在变成一个会对话、会比较、会推荐、会理解用户上下文的购物助手。

对卖家来说，这意味着 Listing 里的所有内容都可能被重新理解：

标题、五点、描述、A+、图片、评论、Q&A、品牌故事，不只是给人看，也可能成为 AI 购物助手理解商品的材料。

卖家读这套合集，最后应该得到什么？

我希望这套合集读完之后，大家能形成一套新的运营语言。

不再只问：

这个关键词放在哪里权重最高？

而是问：

这个商品解决了什么需求？系统能不能理解？用户行为会不会验证？图片、A+、评论有没有把这个需求讲清楚？

不再只问：

为什么我的排名掉了？

而是问：

是相关性不够？召回没进池？转化信号变弱？季节性变化？竞品在某些 query 上更符合用户意图？还是新模型更理解了场景和属性？

不再只问：

AI 购物助手会不会抢流量？

而是问：

如果用户以后用自然语言问“送给露营新手的便携咖啡装备”，我的 Listing 有没有足够的商品知识和场景信息，让系统愿意把我推荐出来？

这才是读亚马逊算法论文真正有用的地方。

不是为了背公式。

而是为了从“关键词运营”，升级到“商品理解运营”。

下一篇，我们正式进入第一篇核心资料：

Amazon Search: The Joy of Ranking Products。

这篇 2016 年的资料，是理解早期 Amazon Search 的入口。它会告诉我们，亚马逊搜索从很早开始就不是简单关键词排序，而是机器学习排序、类目内模型、全站结果融合、query-product NLP 匹配和类目特殊任务共同组成的系统。

参考资料