Yahoo如何使用Amazon Bedrock增强搜索重定向广告

在数字广告领域，将用户的搜索意图与跨渠道相关广告体验相连接一直是个长期挑战。广告主需要基于用户展现的兴趣和行为（尤其是搜索活动——这是最强意图信号之一）来触达受众。传统的关键词扩展方法常因词库过时、语义理解有限以及无法捕捉查询背后的细微含义而效果不佳。

Yahoo全渠道需求方平台（DSP）通过提供先进技术、优质供应资源、大规模覆盖和可信赖的消费者关系来应对这些挑战。DSP允许广告主通过单一界面跨多个交易平台和渠道购买广告库存。Yahoo DSP进一步增强了这一能力，利用广告主定义的规则、机器学习（ML）和生成式AI实现精细的受众定向。

受众定向的核心是受众分群的概念：一组具有共同兴趣、人口统计特征或行为的用户，可在广告活动中被集体定向。这些分群被传递给广告投放系统，确保用户与最相关的广告活动匹配。

在本文中，我们展示了Yahoo如何利用Amazon Bedrock增强其Yahoo DSP广告技术套件中的搜索重定向（SRT）能力。SRT是一项核心受众定向解决方案，帮助广告主根据用户的历史搜索行为触达用户，将搜索意图与展示广告、视频广告和原生广告连接起来。除了针对Yahoo搜索中输入的关键词，SRT还利用AI识别并吸引通过Yahoo及集成合作伙伴系统上的搜索活动表现出意图的用户。

业务挑战

此前，Yahoo SRT架构使用Word2Vec嵌入模型结合局部敏感哈希（LSH）来扩展广告主关键词。该多步骤流程包括关键词规范化、生成嵌入、索引、执行LSH搜索、过滤敏感词以及排序结果。然而，Word2Vec+LSH方法存在若干局限：词库过时（不能始终反映当前术语）、基于短语而非具体实体、依赖句法相似性而非语义、以及在某些情况下无法生成任何新关键词。

我们通过使用Amazon Bedrock和大语言模型（LLM）部署生成式AI驱动的SRT关键词扩展来应对这些挑战。这一增强能够生成更相关、语义更丰富的关键词扩展，帮助广告主触达规模更大且更精准的受众。

解决方案概述

在介绍解决方案前，先回顾传统SRT工作流程：广告主通过一组目标关键词定义每个分群，元数据存储在SQL数据库中。后端系统执行关键词扩展，生成语义相关术语以增加受众覆盖并改善广告效果。原始和扩展后的关键词集都持久化存储在Amazon OpenSearch Service集群中。另一工作流（批量评分）根据分群元数据评估Yahoo用户的搜索历史，以确定分群成员资格。

生成式AI现代化改造

认识到传统方法的局限，我们的目标是用现代生成式AI方案更新关键词扩展。Amazon Bedrock使这一工作成为可能。通过提供对多种领先基础模型（FM）的无服务器访问，Amazon Bedrock帮助团队快速试验多种LLM，包括Amazon Nova、Meta Llama和Anthropic的Claude，而无需构建自定义基础设施。在评估新方法时，我们还考虑了计算广告中的关键因素，包括敏感词过滤、分群禁止列表、用户隐私偏好以及政策合规要求。

LLM选择与结果

在LLM选择与评估过程中，我们使用Amazon SageMaker Studio对多个模型进行原型设计和评估，包括Amazon Titan、Meta Llama和Anthropic的Claude。最终，Anthropic的Claude 3.5 Sonnet v2被选为搜索关键词扩展最有效的模型，在扩展比和语义相似度之间取得了平衡。评估过程中我们观察到LLM的幻觉行为。为减少幻觉并保持质量，我们引入了验证步骤：将LLM生成的扩展关键词转换为嵌入，并与原始集进行比较，相似度低于阈值的关键词被过滤掉，确保只保留最相关的术语。这一验证步骤是维持工作流准确性和可信度的核心。

通过Amazon Bedrock部署后，Claude 3.5 Sonnet v2表现出远超传统LSH方法的扩展能力，在LSH无法产生任何关键词的情况下，经常生成数百甚至数千个关键词。即使在严格的相似度阈值下，中位广泛扩展比提升了五倍，最大扩展比翻了一番。总体而言，生成式AI的关键词扩展增加了检索到的关键词数量，并确保其语义相关性，显著增强了搜索用户定向。

生成式AI工作流中的关键词扩展守护

最初设计SRT关键词扩展工作流时，我们只专注于扩展步骤，即使用生成式AI模型从种子关键词生成更广泛的相关术语集。这种方法有效，但也带来了挑战：模型有时过度扩展，产生大量关键词；罕见或模糊的种子关键词有时会导致不相关或嘈杂的扩展。这凸显了质量控制机制的必要性。为此，我们引入了嵌入生成和相似度评分：对每个扩展关键词生成嵌入，然后计算与原始关键词嵌入的相似度分数，仅保留高于定义相似度阈值的关键词。这确保了扩展关键词与原始意图保持语义一致。此外，我们还应用了敏感关键词检查：在推理前过滤（避免扩展不良术语）和推理后过滤（移除敏感扩展）。通过结合语义相似度评分和敏感关键词过滤，我们创建了一个有守护的关键词扩展流水线，既保留了生成式AI扩展的广度和创造力，又维持了相关性、质量和合规性。

商业价值与影响

这一基于生成式AI的增强关键词扩展能力已于2025年第一季度在生产环境中上线。对广告主而言，他们获得了更广泛、更精准的受众覆盖。LLM驱动的扩展逻辑增加了候选关键词池，同时进行质量过滤，使得活动与用户意图更紧密对齐，从而带来更高的相关性、更强的参与度和更高的转化率。对Yahoo DSP而言，新系统带来了显著的规模改进：关键词扩展率提升高达600倍，可寻址受众规模增长高达5倍，活动表现和转化率均有所提升。通过用LLM现代化关键词扩展，Yahoo DSP能够更好地为广告主创造价值，同时在程序化环境中巩固竞争优势。

为何选择Amazon Bedrock

Amazon Bedrock提供对多种领先FM的无服务器访问，包括Amazon Nova、Meta Llama和Anthropic的Claude，无需Yahoo团队构建或管理复杂基础设施。这一能力帮助团队快速试验、扩展工作负载并灵活部署。模型广度使团队能快速尝试多种领先FM；无基础设施管理消除了模型托管、扩展或修补的需求；灵活的推理选项包括批处理和实时推理，支持快速灵活的原型和决策；模型升级简单——切换到更新或更先进的模型版本只需更改配置，Amazon Bedrock的架构抽象了底层基础设施和兼容性挑战，团队能以最小努力采用更新模型。

结论

在本文中，我们强调了SRT作为Yahoo DSP核心产品的作用，以及我们如何通过生成式AI改造关键词扩展。通过使用Amazon Bedrock，团队获得了对多种领先LLM的无服务器访问，而无需管理基础设施的开销。这一能力帮助我们扩展广告主的原始关键词，生成语义丰富、高质量的关键词集，增加了定向受众的规模和精准度。用Amazon Bedrock驱动的LLM取代传统的Word2Vec和LSH工作流，带来了更准确、上下文相关的关键词扩展。新方法推动了更强的活动表现、更高的转化率和更大的运营灵活性。Amazon Bedrock使这一转型成为可能，帮助Yahoo DSP在AI驱动的广告领域更快、更高效地扩展。