Yahoo 用 Amazon Bedrock 升级搜索重定向广告，关键词扩展率提升 600 倍

一句话看懂

Yahoo DSP 用 Amazon Bedrock 上的 Claude 3.5 Sonnet v2 替代传统 Word2Vec，将搜索重定向广告的关键词扩展率提升 600 倍，可触达受众增长 5 倍。

详细发生了什么

Yahoo 的搜索重定向（SRT）是广告主根据用户历史搜索行为投放展示、视频和原生广告的核心工具。传统架构依赖 Word2Vec 嵌入模型配合局部敏感哈希（LSH）进行关键词扩展，但存在词汇陈旧、仅支持短语匹配、依赖句法相似性、有时甚至无法生成任何新关键词等问题。

Yahoo 团队用 Amazon Bedrock 上的生成式 AI 重构了这一流程。经过在 SageMaker Studio 中对 Amazon Titan、Meta Llama 和 Anthropic Claude 等模型的原型测试，最终选定 Claude 3.5 Sonnet v2。新流程中，LLM 基于种子关键词生成扩展词，然后通过嵌入相似度评分过滤掉语义偏离的词汇，同时加入敏感词护栏（推理前后双重过滤）。

结果：相比 LSH，新系统的中位扩展比提升 5 倍，最大扩展比翻倍，整体关键词扩展率提升高达 600 倍，可触达受众增长 5 倍。该功能已于 2025 年 Q1 上线。

中文圈视角

对国内广告技术从业者来说，这个案例有几点值得关注：

1. 平替方案：国内广告平台（如巨量引擎、腾讯广告）的类似重定向功能目前多依赖规则或传统 ML 模型。如果想用 LLM 升级，可考虑阿里云百炼上的 Qwen 系列或智谱 GLM，但需注意国内大模型在广告场景的敏感词过滤和合规要求更严格。

2. 技术细节可复制：Yahoo 的“LLM 生成 + 嵌入相似度过滤”架构很实用，能有效控制幻觉。国内团队可直接用开源模型（如 BGE 或 text2vec 做嵌入）复现，成本可控。

3. 数据隐私差异：Yahoo 方案依赖用户搜索历史，国内受《个人信息保护法》约束，类似重定向需确保用户授权和匿名化处理，直接照搬可能有合规风险。

4. 中文搜索场景：中文分词和语义理解比英文更复杂，LLM 在中文关键词扩展上的表现需要单独评估。国内已有厂商（如百度）尝试用文心大模型优化广告关键词，但公开数据较少。

几条值得记住的细节

• 传统 Word2Vec + LSH 方法有时无法生成任何新关键词（零扩展），而 LLM 方法可生成数百甚至数千个。
• 最终选型为 Anthropic Claude 3.5 Sonnet v2，通过 Amazon Bedrock 的 serverless 接口调用。
• 引入嵌入相似度阈值过滤，只有与原始关键词语义足够接近的扩展词才被保留。
• 敏感词过滤在推理前后各执行一次，避免扩展出违规内容。
• 新系统上线后，关键词扩展率提升 600 倍，可触达受众增长 5 倍。

一句话总结

广告关键词扩展从“猜词”升级为“理解语义”，Yahoo 用 LLM 让搜索重定向更精准、覆盖面更广，国内广告平台可借鉴其架构但需适配合规要求。