Yahoo如何使用Amazon Bedrock增強搜索重定向廣告

在數字廣告領域，將用户的搜索意圖與跨渠道相關廣告體驗相連接一直是個長期挑戰。廣告主需要基於用户展現的興趣和行為（尤其是搜索活動——這是最強意圖信號之一）來觸達受眾。傳統的關鍵詞擴展方法常因詞庫過時、語義理解有限以及無法捕捉查詢背後的細微含義而效果不佳。

Yahoo全渠道需求方平台（DSP）通過提供先進技術、優質供應資源、大規模覆蓋和可信賴的消費者關係來應對這些挑戰。DSP允許廣告主通過單一界面跨多個交易平台和渠道購買廣告庫存。Yahoo DSP進一步增強了這一能力，利用廣告主定義的規則、機器學習（ML）和生成式AI實現精細的受眾定向。

受眾定向的核心是受眾分羣的概念：一組具有共同興趣、人口統計特徵或行為的用户，可在廣告活動中被集體定向。這些分羣被傳遞給廣告投放系統，確保用户與最相關的廣告活動匹配。

在本文中，我們展示了Yahoo如何利用Amazon Bedrock增強其Yahoo DSP廣告技術套件中的搜索重定向（SRT）能力。SRT是一項核心受眾定向解決方案，幫助廣告主根據用户的歷史搜索行為觸達用户，將搜索意圖與展示廣告、視頻廣告和原生廣告連接起來。除了針對Yahoo搜索中輸入的關鍵詞，SRT還利用AI識別並吸引通過Yahoo及集成合作夥伴系統上的搜索活動表現出意圖的用户。

業務挑戰

此前，Yahoo SRT架構使用Word2Vec嵌入模型結合局部敏感哈希（LSH）來擴展廣告主關鍵詞。該多步驟流程包括關鍵詞規範化、生成嵌入、索引、執行LSH搜索、過濾敏感詞以及排序結果。然而，Word2Vec+LSH方法存在若干侷限：詞庫過時（不能始終反映當前術語）、基於短語而非具體實體、依賴句法相似性而非語義、以及在某些情況下無法生成任何新關鍵詞。

我們通過使用Amazon Bedrock和大語言模型（LLM）部署生成式AI驅動的SRT關鍵詞擴展來應對這些挑戰。這一增強能夠生成更相關、語義更豐富的關鍵詞擴展，幫助廣告主觸達規模更大且更精準的受眾。

解決方案概述

在介紹解決方案前，先回顧傳統SRT工作流程：廣告主通過一組目標關鍵詞定義每個分羣，元數據存儲在SQL數據庫中。後端系統執行關鍵詞擴展，生成語義相關術語以增加受眾覆蓋並改善廣告效果。原始和擴展後的關鍵詞集都持久化存儲在Amazon OpenSearch Service集羣中。另一工作流（批量評分）根據分羣元數據評估Yahoo用户的搜索歷史，以確定分羣成員資格。

生成式AI現代化改造

認識到傳統方法的侷限，我們的目標是用現代生成式AI方案更新關鍵詞擴展。Amazon Bedrock使這一工作成為可能。通過提供對多種領先基礎模型（FM）的無服務器訪問，Amazon Bedrock幫助團隊快速試驗多種LLM，包括Amazon Nova、Meta Llama和Anthropic的Claude，而無需構建自定義基礎設施。在評估新方法時，我們還考慮了計算廣告中的關鍵因素，包括敏感詞過濾、分羣禁止列表、用户隱私偏好以及政策合規要求。

LLM選擇與結果

在LLM選擇與評估過程中，我們使用Amazon SageMaker Studio對多個模型進行原型設計和評估，包括Amazon Titan、Meta Llama和Anthropic的Claude。最終，Anthropic的Claude 3.5 Sonnet v2被選為搜索關鍵詞擴展最有效的模型，在擴展比和語義相似度之間取得了平衡。評估過程中我們觀察到LLM的幻覺行為。為減少幻覺並保持質量，我們引入了驗證步驟：將LLM生成的擴展關鍵詞轉換為嵌入，並與原始集進行比較，相似度低於閾值的關鍵詞被過濾掉，確保只保留最相關的術語。這一驗證步驟是維持工作流準確性和可信度的核心。

通過Amazon Bedrock部署後，Claude 3.5 Sonnet v2表現出遠超傳統LSH方法的擴展能力，在LSH無法產生任何關鍵詞的情況下，經常生成數百甚至數千個關鍵詞。即使在嚴格的相似度閾值下，中位廣泛擴展比提升了五倍，最大擴展比翻了一番。總體而言，生成式AI的關鍵詞擴展增加了檢索到的關鍵詞數量，並確保其語義相關性，顯著增強了搜索用户定向。

生成式AI工作流中的關鍵詞擴展守護

最初設計SRT關鍵詞擴展工作流時，我們只專注於擴展步驟，即使用生成式AI模型從種子關鍵詞生成更廣泛的相關術語集。這種方法有效，但也帶來了挑戰：模型有時過度擴展，產生大量關鍵詞；罕見或模糊的種子關鍵詞有時會導致不相關或嘈雜的擴展。這凸顯了質量控制機制的必要性。為此，我們引入了嵌入生成和相似度評分：對每個擴展關鍵詞生成嵌入，然後計算與原始關鍵詞嵌入的相似度分數，僅保留高於定義相似度閾值的關鍵詞。這確保了擴展關鍵詞與原始意圖保持語義一致。此外，我們還應用了敏感關鍵詞檢查：在推理前過濾（避免擴展不良術語）和推理後過濾（移除敏感擴展）。通過結合語義相似度評分和敏感關鍵詞過濾，我們創建了一個有守護的關鍵詞擴展流水線，既保留了生成式AI擴展的廣度和創造力，又維持了相關性、質量和合規性。

商業價值與影響

這一基於生成式AI的增強關鍵詞擴展能力已於2025年第一季度在生產環境中上線。對廣告主而言，他們獲得了更廣泛、更精準的受眾覆蓋。LLM驅動的擴展邏輯增加了候選關鍵詞池，同時進行質量過濾，使得活動與用户意圖更緊密對齊，從而帶來更高的相關性、更強的參與度和更高的轉化率。對Yahoo DSP而言，新系統帶來了顯著的規模改進：關鍵詞擴展率提升高達600倍，可尋址受眾規模增長高達5倍，活動表現和轉化率均有所提升。通過用LLM現代化關鍵詞擴展，Yahoo DSP能夠更好地為廣告主創造價值，同時在程序化環境中鞏固競爭優勢。

為何選擇Amazon Bedrock

Amazon Bedrock提供對多種領先FM的無服務器訪問，包括Amazon Nova、Meta Llama和Anthropic的Claude，無需Yahoo團隊構建或管理複雜基礎設施。這一能力幫助團隊快速試驗、擴展工作負載並靈活部署。模型廣度使團隊能快速嘗試多種領先FM；無基礎設施管理消除了模型託管、擴展或修補的需求；靈活的推理選項包括批處理和實時推理，支持快速靈活的原型和決策；模型升級簡單——切換到更新或更先進的模型版本只需更改配置，Amazon Bedrock的架構抽象了底層基礎設施和兼容性挑戰，團隊能以最小努力採用更新模型。

結論

在本文中，我們強調了SRT作為Yahoo DSP核心產品的作用，以及我們如何通過生成式AI改造關鍵詞擴展。通過使用Amazon Bedrock，團隊獲得了對多種領先LLM的無服務器訪問，而無需管理基礎設施的開銷。這一能力幫助我們擴展廣告主的原始關鍵詞，生成語義豐富、高質量的關鍵詞集，增加了定向受眾的規模和精準度。用Amazon Bedrock驅動的LLM取代傳統的Word2Vec和LSH工作流，帶來了更準確、上下文相關的關鍵詞擴展。新方法推動了更強的活動表現、更高的轉化率和更大的運營靈活性。Amazon Bedrock使這一轉型成為可能，幫助Yahoo DSP在AI驅動的廣告領域更快、更高效地擴展。