为什么广泛匹配总跑出不相关的词，被80%卖家误判的相关性
1902
AI设计/3D打印/欧洲市场实战拆解，点击报名
如题，是前几天收到的一个卖家的问题
基于cosmo算法
我重新梳理了一下出现这种情况的原因逻辑
同时结合自己的操作习惯，说说如何应对
这个问题不能单纯的纠结于“相关性”的问题
因为广泛匹配跑出大量不相关词这个本来就是自身匹配逻辑（四种）决定的
而应该跳出相关性单一的判定标准看
多看一个维度---转化
这样才能弥补我们卖家和平台匹配算法间的认知差距
亚马逊定义的相关和我们认为的相关，本身是不对等的
所以我上面用引号的相关性
亚马逊定义的相关是有转化概率的相关
而我们卖家通常理解的是产品属性相关
在cosmo算法下，广泛匹配比之前字面匹配更广泛
这种情况在这两年的广告数据中体现的很明显
包括我自己看到的广告数据也是，这已经不是偶然个例
而是亚马逊广告底层匹配逻辑转变结果
我用一个公式来总结现在的广泛匹配
广泛匹配 = 字面相关 + 语义相关 + 行为数据相关
底层逻辑具体是怎么匹配的
1. 从词法匹配 -> 语义意图与行为相关匹配
AI时代下，我们不能继续把广泛理解为词干提取 + 同义词扩展的匹配
同时要考虑语义与意图匹配
字面相关词
这个是我们平常理解的产品属性相关词
如同义词、拼写错误、缩略词等
包括target词序变化、近义词扩展
语义相关词
除了简单的关键词扩展，也可能是意图相近词匹配（区别于字面相似）
语义的向量模型会通过判断搜索这个词的人，可能还会买什么
而不仅仅是target词包含哪些词干
行为数据相关词
基于用户真实购买行为，判断展示逻辑，而不是纯搜索数据
这些相关的行为包括共购数据、搜索路径、浏览-购买路径、用户画像聚类等
像搜A买B，那A和B可能会被算法关联
或者买A的人也买B，算法也会认为A和B相关
这些行为相关往往就导致我们卖家认为不相关
2. 什么决定广泛匹配的边界
这一点对于投放target很重要
投放的时候必须知道广泛匹配不会脱离Listing独立运行
Listing质量决定匹配边界
标题、五点描述、ST、A+页面、后台关键词、图片这些内容
决定了listing被系统怎样收录，也决定了listing在系统中的质量
如果listing出现关键词堆砌、跨类目词、多义词等，就会无形中扩大匹配半径
Listing内容越宽泛 -> 匹配就越发散
Listing内容越垂直 -> 匹配就越收敛
3. 历史数据会影响匹配边界
一个是历史的转化数据会影响系统判断相关性
历史数据中出现转化的词会让相关的词权重放大
包括一些偶然转化词，特别是数据本来就少的词，系统判断你的预估转化要比其他产品的高，曝光的概率就越高
另一个是新品或者数据少的，因为算法没有学习
系统也会主动扩大测试范围（在边界内），导致部分不相关词的出现
如何控制好广泛匹配的边界
listing的质量这个就不用多说了，最基本的操作
起码要删除不必要的无关词，减少系统理解listing，减少歧义同时提高语义匹配一致性
这里主要从广告的维度展开
1. 养成前置否定的习惯
在做关键词调研的词库的时候，同时建立全局否定词库
在开广告时提取否定
2. 流量分层
不断把高转化词从广泛漏出
让exact起到提升关键词权重的作用，最后在广泛否词
让广泛和精准功能分离出来
或者通过词组匹配限制词序的同时保留关键词扩展能力
同时做好预算和竞价的比例控制，通过合理的预算结构去控制流量的分层效果
3. 用精准target作为锚点
遇到边界太泛的时候，可以新建一个获活动，将相关词的词根和词频统计出来
将频率的词根组合成后再去投放（这一步要检测词的搜索相关和流量）
4. 对广泛匹配的重新定位
不要局限的判断相关性和只看ACOS，可以通过拓词率（有效新词产出）和转化词贡献+TACOS结合判断
看看是否能够不断的带来能在exact盈利的转化词（让广泛弥补我们自认为的相关和算法认为的相关之间的差距）
最后是周期性的分析Search Term Report，不断的做相关性 + 转化双维度筛选
如题，是前几天收到的一个卖家的问题
基于cosmo算法
我重新梳理了一下出现这种情况的原因逻辑
同时结合自己的操作习惯，说说如何应对
这个问题不能单纯的纠结于“相关性”的问题
因为广泛匹配跑出大量不相关词这个本来就是自身匹配逻辑（四种）决定的
而应该跳出相关性单一的判定标准看
多看一个维度---转化
这样才能弥补我们卖家和平台匹配算法间的认知差距
亚马逊定义的相关和我们认为的相关，本身是不对等的
所以我上面用引号的相关性
亚马逊定义的相关是有转化概率的相关
而我们卖家通常理解的是产品属性相关
在cosmo算法下，广泛匹配比之前字面匹配更广泛
这种情况在这两年的广告数据中体现的很明显
包括我自己看到的广告数据也是，这已经不是偶然个例
而是亚马逊广告底层匹配逻辑转变结果
我用一个公式来总结现在的广泛匹配
广泛匹配 = 字面相关 + 语义相关 + 行为数据相关
底层逻辑具体是怎么匹配的
1. 从词法匹配 -> 语义意图与行为相关匹配
AI时代下，我们不能继续把广泛理解为词干提取 + 同义词扩展的匹配
同时要考虑语义与意图匹配
字面相关词
这个是我们平常理解的产品属性相关词
如同义词、拼写错误、缩略词等
包括target词序变化、近义词扩展
语义相关词
除了简单的关键词扩展，也可能是意图相近词匹配（区别于字面相似）
语义的向量模型会通过判断搜索这个词的人，可能还会买什么
而不仅仅是target词包含哪些词干
行为数据相关词
基于用户真实购买行为，判断展示逻辑，而不是纯搜索数据
这些相关的行为包括共购数据、搜索路径、浏览-购买路径、用户画像聚类等
像搜A买B，那A和B可能会被算法关联
或者买A的人也买B，算法也会认为A和B相关
这些行为相关往往就导致我们卖家认为不相关
2. 什么决定广泛匹配的边界
这一点对于投放target很重要
投放的时候必须知道广泛匹配不会脱离Listing独立运行
Listing质量决定匹配边界
标题、五点描述、ST、A+页面、后台关键词、图片这些内容
决定了listing被系统怎样收录，也决定了listing在系统中的质量
如果listing出现关键词堆砌、跨类目词、多义词等，就会无形中扩大匹配半径
Listing内容越宽泛 -> 匹配就越发散
Listing内容越垂直 -> 匹配就越收敛
3. 历史数据会影响匹配边界
一个是历史的转化数据会影响系统判断相关性
历史数据中出现转化的词会让相关的词权重放大
包括一些偶然转化词，特别是数据本来就少的词，系统判断你的预估转化要比其他产品的高，曝光的概率就越高
另一个是新品或者数据少的，因为算法没有学习
系统也会主动扩大测试范围（在边界内），导致部分不相关词的出现
如何控制好广泛匹配的边界
listing的质量这个就不用多说了，最基本的操作
起码要删除不必要的无关词，减少系统理解listing，减少歧义同时提高语义匹配一致性
这里主要从广告的维度展开
1. 养成前置否定的习惯
在做关键词调研的词库的时候，同时建立全局否定词库
在开广告时提取否定
2. 流量分层
不断把高转化词从广泛漏出
让exact起到提升关键词权重的作用，最后在广泛否词
让广泛和精准功能分离出来
或者通过词组匹配限制词序的同时保留关键词扩展能力
同时做好预算和竞价的比例控制，通过合理的预算结构去控制流量的分层效果
3. 用精准target作为锚点
遇到边界太泛的时候，可以新建一个获活动，将相关词的词根和词频统计出来
将频率的词根组合成后再去投放（这一步要检测词的搜索相关和流量）
4. 对广泛匹配的重新定位
不要局限的判断相关性和只看ACOS，可以通过拓词率（有效新词产出）和转化词贡献+TACOS结合判断
看看是否能够不断的带来能在exact盈利的转化词（让广泛弥补我们自认为的相关和算法认为的相关之间的差距）
最后是周期性的分析Search Term Report，不断的做相关性 + 转化双维度筛选
热门活动 
其他
04-09 周四
热门报告 
