搜索重定向（Search Retargeting，SRT）的价值，在于把用户已经表达过的搜索意图连接到展示、视频和原生广告。Yahoo 在其 DSP 广告技术套件中引入 Amazon Bedrock，进一步增强了这项能力：识别范围不再局限于 Yahoo Search 中输入的关键词，还可以覆盖集成合作伙伴系统中的搜索活动，并通过 AI 发现更广泛的意图信号。
这类改造的重点并不是简单地让大模型“决定投什么广告”，而是让模型参与关键词理解、意图归类和候选扩展，同时把隐私控制、广告资格校验与最终投放决策留在可审计的工程链路中。
从关键词匹配走向意图匹配
传统 SRT 通常围绕关键词列表工作。例如，广告主希望触达正在考虑购买跑鞋的用户，可能提交以下词组：
running shoesmarathon shoesbest shoes for jogging
纯关键词方案容易遇到两个问题：同一意图有大量不同表达，而相同词语在不同上下文中又可能代表不同需求。用户搜索“半马训练装备”时，虽然没有输入“跑鞋”，仍可能表现出相关的购买意图；反过来，“跑鞋清洗方法”未必意味着用户正在选购新品。
生成式 AI 可以被放在候选生成层，将原始查询转换成结构化信号，例如：
{
"intent": "购买长距离跑步装备",
"category": "sports/running/footwear",
"commercial_stage": "consideration",
"related_concepts": ["马拉松训练", "缓震", "足弓支撑"],
"confidence": 0.86
}
这个结果不应直接触发广告投放。更稳妥的方式是把它送入下游规则和排序系统，与广告主定向条件、频次限制、地域要求、内容安全策略以及用户授权状态共同计算。
Bedrock 适合放在链路的什么位置
基于来源摘要可以确认，Yahoo 使用 Amazon Bedrock 增强 SRT，但摘要没有披露具体模型、提示词、实时架构或评估指标。工程团队可以这样设计类似链路，以下属于可实践的参考架构，并非 Yahoo 内部实现细节：
- 搜索系统或合作伙伴系统产生经过授权的搜索事件。
- 数据治理层删除直接身份标识，并执行地区、保留期限和用户选择检查。
- Amazon Bedrock 承载的模型对查询执行意图分类、语义扩展或候选标签生成。
- 检索系统将标签映射到广告主配置的关键词、主题和受众规则。
- 排序与策略引擎应用置信度门槛、品牌安全、预算和频控规则。
- 聚合反馈进入离线评估流程，用来检查覆盖率、误匹配和类别漂移。
Bedrock 在这里提供的是模型访问与生成式 AI 基础设施。真正决定系统质量的，仍然是输入治理、输出约束、评估集以及失败时的降级路径。
可以这样实践：用 Bedrock Converse API 生成结构化意图
下面是一个可改造的 Python 示例。它调用 Amazon Bedrock Runtime 的 Converse API，把搜索词转换成 JSON 意图信号。运行前需要配置 AWS 凭证、启用所选模型访问权限，并将 BEDROCK_MODEL_ID 改成账户所在区域可用的模型 ID。
安装依赖：
python -m pip install --upgrade boto3
export AWS_REGION=us-east-1
export BEDROCK_MODEL_ID='your-enabled-model-id'
创建 intent_expander.py：
import json
import os
import sys
import boto3
REGION = os.getenv("AWS_REGION", "us-east-1")
MODEL_ID = os.environ["BEDROCK_MODEL_ID"]
SYSTEM_PROMPT = """You classify advertising search intent.
Return JSON only, with this exact shape:
{
"intent": "short description",
"category": "taxonomy/path",
"commercial_stage": "research|consideration|purchase|non_commercial",
"related_concepts": ["concept 1", "concept 2"],
"confidence": 0.0
}
Do not infer sensitive traits. Do not include personal identifiers.
Use a confidence value between 0 and 1.
"""
def classify(query: str) -> dict:
client = boto3.client("bedrock-runtime", region_name=REGION)
response = client.converse(
modelId=MODEL_ID,
system=[{"text": SYSTEM_PROMPT}],
messages=[
{
"role": "user",
"content": [{"text": f"Search query: {query}"}],
}
],
inferenceConfig={"temperature": 0, "maxTokens": 300},
)
text = response["output"]["message"]["content"][0]["text"]
result = json.loads(text)
required = {
"intent",
"category",
"commercial_stage",
"related_concepts",
"confidence",
}
if set(result) != required:
raise ValueError(f"Unexpected response fields: {sorted(result)}")
if not 0 <= float(result["confidence"]) <= 1:
raise ValueError("confidence must be between 0 and 1")
return result
if __name__ == "__main__":
query = " ".join(sys.argv[1:]) or "best cushioning for half marathon training"
print(json.dumps(classify(query), ensure_ascii=False, indent=2))
运行：
python intent_expander.py "best cushioning for half marathon training"
生产环境还需要处理模型可能输出 Markdown、字段缺失或无效枚举值的情况。可以增加 JSON Schema 校验、有限次数重试和死信队列；当模型调用超时或结果低于置信度门槛时，则回退到原有关键词匹配逻辑。不要把未经校验的模型文本直接拼接进查询语句或投放规则。
评估不能只看点击率
增强 SRT 后，覆盖面可能扩大，但覆盖面扩大并不等于定向更准确。上线前可以准备一套人工标注查询集，至少衡量以下指标：
- 意图准确率：模型分类是否符合查询的主要含义。
- 扩展精确率：新增概念中有多少确实与广告主目标相关。
- 错误触达率：非商业查询或语义歧义查询被纳入受众的比例。
- 稳定性：相同输入在版本升级前后是否产生明显漂移。
- 延迟与成本：每千次分类的端到端延迟、令牌消耗和调用成本。
- 敏感类别风险：模型是否推断健康、宗教、政治倾向等不应进入广告画像的属性。
在线指标可以观察合格触达、转化和广告主效果，但需要与离线语义评估配合。仅用点击率优化，可能奖励耸动或过度宽泛的匹配，也无法证明模型正确理解了用户意图。
上线时保留清晰的控制边界
采用类似方案时，建议先让 Bedrock 承担候选生成或离线扩展，而不是直接进入实时竞价的最终决策路径。这样可以控制延迟和成本，也方便人工抽样审查输出。
上线检查表可以保持简洁：输入是否经过授权和去标识化；敏感类别是否明确禁止；输出是否有固定结构和置信度门槛；模型不可用时是否能回退；模型、提示词和分类规则是否有版本记录；扩展结果是否经过广告政策与品牌安全过滤。
Yahoo 的实践说明，生成式 AI 可以把 SRT 从字面关键词匹配推进到更丰富的搜索意图理解。真正可持续的实现，不是让模型拥有更多决策权，而是让模型在受约束、可评估、可回退的链路中提供更好的候选信号。