在亚马逊广告运营过程中，关键词是链接商品与消费者的纽带，直接影响产品排名、流量获取和最终的转化效果。过往在A9算法下，关键词的匹配逻辑主要依赖商品标题、描述和用户搜索词之间的直接比对，这种方式虽然简单直接，但很难精准应对表达上的多样性。为了更好的提升消费者购物体验，今年亚马逊对算法进行了升级，全新的COSMO算法更注重用户实际需求的理解和行为的预测。但当下市场上，COSMO算法公开的信息较少，对卖家来说，即使有技术团队，也很难基于现有的通用模型，理解电商环境下复杂的消费者意图。那么，如何打破过往运营经验，找到更多精准的、能够适应新算法逻辑的关键词，是卖家面临的挑战。为了帮助卖家更高效、智能地优化广告关键词策略，近日，Xmars AI智能中心的关键词推荐模型迎来重大升级，包括以下两点：- 实现对亿级参数模型的评估和调整：基于Transformer通过对亿级参数模型进行精细化调整，找到最佳模型，结合亚马逊300+的商品二级类目、近十种语言等多样化的需求，最终设计出与亚马逊COSMO算法同步的模型；
（Xmars产品后台关键词智能推荐）升级后的Xmars关键词模型，通过对消费者意图的挖掘，再结合ASIN信息、历史表现数据、亚马逊关键词API等数据，能够找到到更多高潜力关键词，并添加至关键词库，在Xmars AI全智能创建模块通过关键词指数排序，为卖家直接推荐最适合的关键词进行投放。具体Xmars是怎样通过模型微调和数据引入帮助卖家挖掘更多精准关键词的？背后的逻辑是什么？给卖家带来了哪些改变？接下来将详细展开。不同于传统的个性化推荐算法，当我们需要对电商环境下，消费者的购物需求进行深度挖掘，和行为进行精准预测时，不仅需要从海量数据中找到常识性知识，帮助模型建立起商品与消费场景之间的关联认知；还需要通过微调技术，强化模型在一些特定场景的处理能力（如颜色、尺寸、型号等），从而精准挖掘消费后背后的购买意图，使得搜索结果更加相关。![]()
（Xmars关键词模型流程图） 以Transformer技术为基石，提升理解能力和精准度首先在预训练阶段，Xmars利用数亿级自然语言数据构建的预训练大语言模型作为基座模型，并以先进的 Transformer 技术作为底层架构，找到复杂的序列数据内部依赖关系。
简单来说，在处理每个单词时，Transformer的自注意力机制，可以同时关注到序列中其他所有的词，从而充分理解上下文信息，捕捉到句子中各个词之间的关系和权重。此外，Transformer也具备超强的并行计算能力，可以大幅提升复杂数据环境下的计算速度。因此，在这个阶段通过智能提取，模型能够掌握丰富的语言规律和知识结构等通用语言理解能力，包括句法分析、语义理解、多义词辨别等，这为具体应用场景打下了坚实的基础。但考虑到电商数据具有独特性，尤其是在商品名称的构成上，通常由品牌、型号、颜色等多个关键信息组合，复杂度远超普通语言数据。因此，基于已经预训练出来的模型，还需要做更细致的微调，Xmars率先引入了亚马逊电商搜索数据集——Shopping Queries Data Set。据悉，该数据集包含了2,600,000+条真实且复杂的亚马逊搜索词及其对应商品信息，并提供了人工标注的搜索词与商品匹配度数据。通过这一数据集的引入，使得模型可以更加贴近实际的亚马逊电商环境，优化对一些复杂结构的理解，从而进一步提升关键词推荐的精准度。此外，通过深度学习用户的搜索行为与其真实需求商品的关系，不仅能够实现表面的文字匹配，也能挖掘出用户背后的真实需求。接着再基于Xmars关键词推荐模型，结合ASIN信息、历史表现数据、亚马逊关键词API等数据，通过对用户搜索行为进行分析，挖掘到更多高潜力关键词，添加至关键词库，并用于广告投放。目前，在Xmars AI全智能创建模块，系统可以通过关键词指数排序，为卖家直接推荐最适合投放的关键词。升级后的Xmars关键词模型，一方面可以与亚马逊最新的搜索算法COSMO保持同步，挖掘到更多隐含用户搜索意图的复杂关键词；另一方面，在针对尺寸、型号和颜色等更加特定的商品和场景时，算法也可以对关键词精准度进行识别优化。场景：当某孕妈妈搜索“孕妇鞋”（shoes for pregnant women）时过往 A9 算法可能无法识别用户的潜在需求，只能推荐 listing 中包含“pregnant women”等信息的ASIN，而该用户实际需要的可能是防滑的鞋子（slip-resistant shoes），并且还需要具备舒适性、支撑性和易穿脱等特性。COSMO 算法升级后，通过对用户的搜索习惯、浏览记录和购买行为的深度学习，算法能够更准确地理解用户的潜在需求，精准匹配更多能够满足用户潜在需求的 ASIN。通过与 COSMO 算法同步，Xmars 关键词模型也能够推荐更多长尾关键词和宽泛的大词，拓宽流量入口。具体，我们也可以结合以下某ASIN的实际效果来看：
例如，某10X8X6 FT 的金属户外储物棚，商品名中可能包含大量信息——品牌、型号、包装规格等，但它们的重要性并不相同。![]()
使用亚马逊电商搜索数据集微调后，我们可以发现：对于尺寸变体“10X8X6”，新模型对正确尺寸“8x10”的变式和错误尺寸“8x8”、“8x12”有了更强的识别能力，关键词推荐排序更精准，且推荐指数的区分度更高，二者之间的差距更大；结合产品标题，不仅强调标题内产品属性相关的关键词，如“outdoor”、“metal”，同时兼顾隐含用户意图的长尾搜索词“small tough”，在增强精确度的同时，扩大广告流量入口；通过市场调研、用户反馈等形式，做好产品定位，深入了解目标客户的需求和偏好；
重视产品差异化
不论是在功能创新、设计优化等层面，深入了解产品的特性和差异化优势，突出展示与竞品的差异；
精细化运营Listing
新的算法逻辑下，需要更加精准地描述产品特征，同时传达出产品的独特价值，结合使用场景和品牌故事性内容，兼顾到情感的链接；
广告策略的优化
针对一些特定的场景，可以通过精准匹配核心关键词来抢占排名，并利用词组匹配或广泛匹配来全面覆盖目标场景；
另外也可以尝试亚马逊SD、DSP等展示型广告，构建高效的全渠道流量转化漏斗，同时借助兴趣和生活方式进行投放；此外，AMC也可以提供更全、更细颗粒度的用户行为数据；
未来，Xmars将持续优化算法模型、数据挖掘与分析能力，助力全球品牌和卖家通过更智能、高效的方式，推动广告效果提升和生意可持续增长。
Xmars行业首发「2024亚马逊AI广告营销应用指南」
