最近研究了一份亚马逊的专利文件，研究完之后我整个人都不好了——不是因为看不懂，而是因为看懂了之后，发现自己过去做的很多优化，其实只做了一半。

本文相关的专利内容请前往：https://patents.google.com/pat ... 2c383 链接阅读





这份专利编号是亚马逊旗下搜索子公司A9申请的，2026年2月24日正式授权。说白了，这份专利记录的就是亚马逊搜索栏背后的那套预测系统——就是那个你还没打完字，它就已经在给你推荐搜索词的东西。



我知道很多卖家看到"专利"两个字就想跳过，觉得太技术了，和自己没关系。但我想说，这篇东西你要是看懂了，你会发现你之前做的关键词优化，可能真的只是在做表面工夫。

一、大多数卖家不知道的"两层"搜索系统

大多数卖家做亚马逊这么多年，优化 listing 的思路基本上就是：堆关键词、写标题、填backend search term、跑广告。这套打法没错，以前也确实好使。

但这份专利告诉我们，亚马逊的搜索系统其实是两层的，不是一层：

第一层 是我们熟悉的：关键词检索。你输入什么词，系统匹配什么词，这个大家都懂。

第二层 是我们大多数人从来没注意过的：意图预测。系统不只是在匹配你输入的词，它还在预测你下一步要搜什么，然后把那些推荐词提前给你准备好，放在搜索栏的下拉框里、相关搜索里。

这两层是同时在跑的。你只优化第一层，第二层你根本没碰过，你可能没法被系统推荐到，白白失去机会。

二、这个系统到底怎么工作的？

说实话，我第一次看这个专利的时候，里面那些技术名词（BERT、VAE、KL散度……）看得我头大。虽然我知道BERT是什么（Google用的算法之一），但把技术语言剥掉之后，核心逻辑其实很简单，分四步：

第一步：语义向量化系统用一个叫 BERT 的模型，把买家输入的搜索词转化成语义向量。这意味着"running shoes"和"jogging sneakers"在系统眼里是差不多的东西，它理解的是意思。

第二步：意图分类系统会把买家前后两次搜索词的变化做分类。比如从"笔记本电脑"搜到"游戏本"，这个过程称之为"细化"（在专利的关系框架图里用 specification 来表达），从"iPhone 15"搜到"智能手机"，这个过程称之为"泛化"。系统把这种变化归入六个类型里的一个。



第三步：行为预测系统根据买家整个搜索历史，预测他下一步的行为意图是什么。买家可能在历史搜索里搜索过类似的搜索词，或者相关的产品，亚马逊的系统也同时记录这个数据，并且在这次的搜索中也会把历史记录作为参考。

第四步：生成推荐根据预测出来的意图，生成3到5个推荐搜索词，直接推给买家。整个过程，在买家打出下一个字之前就已经完成了。

三、意图六边形：六种买家行为类型

这是这份专利里最核心的部分。系统把买家的每一次搜索词变化，都归入以下六种意图之一。本文以 "sofa table" 为例来说明：





1. 细化（Specification）——越搜越具体买家从宽泛的词，不断加关键词缩小范围。比如：

sofa table → narrow sofa table → narrow sofa table with outlet → narrow sofa table with outlet adjustable height

这个阶段买家的购买意愿是最强的。你的 listing 如果在这个阶段消失了，你就白白丢了一个高意向的顾客。

2. 泛化（Generalization）——越搜越宽买家删掉了某些关键词，把搜索范围扩大了。这说明什么？说明他对现有的搜索结果不满意，觉得太窄了，找不到想要的东西。

比如从"narrow sofa table with outlet"退回去搜"sofa table"，或者直接搜"console table"。这时候，品类大词上有排名的 listing 就能捡到漏。

3. Equivalence——直接搜已知商品买家直接输入精确的品牌名、型号或者产品名。比如直接搜"Kitstorack sofa table"或者"Kitstorack 2-Pack console table with outlets"。这种搜法说明买家已经做好功课了，就是来取货的，转化率最高。

4. 替换（Substitution）——换一个品牌比较买家把一个品牌名换成了另一个品牌名。比如从"Kitstorack sofa table"搜到"SUPERJARE sofa table"。这说明他在比价或者比较性能，还没决定买哪个。这时候系统会主动推荐更多的替代选项。

5. 互补（Complement）——买了主品找配件这是我觉得最值钱的一个意图。买家搜完主产品之后，开始搜配件、耗材、周边。比如买了这款沙发桌之后，接下来很可能会搜"cable management clips"（理线夹）、"power strip surge protector"（排插）、甚至"rug for living room"（客厅地毯）。

专利里说得很清楚，当买家发生了购买行为之后，系统会大幅提升互补意图的预测概率——也就是说，你的理线夹或者排插如果在这个时候出现在买家的搜索推荐里，你的曝光机会是最大的。

如果你卖的是配件类的产品，这个窗口期你一定要想办法卡进去。

6. 无关（Irrelevant）——会话彻底中断买家突然搜了一个和之前完全不相干的东西，比如刚刚在搜"behind couch table"，突然搜了"birthday gift for mom"。这时候系统会直接清空之前积累的所有行为信号，重新开始。

对卖家来说意味着什么？意味着你的 listing 要在三秒之内让一个什么都不知道的陌生买家搞清楚你卖什么、适合谁买，不然他就走了。标题第一句话和第一张主图，就是你唯一的机会。

四、一个真实买家的搜索路径

我们还是围绕着这个 sofa table 的案例，设想一下美国买家搜索这款产品的实际场景和路径：

第一次搜索：sofa table这是最宽泛的词，什么都不确定，就是随便看看有什么。这时候系统把这次搜索转化成语义向量，记下来。

第二次搜索：narrow sofa table with outlet看了一堆结果，觉得太宽了，加了一个词。这一下系统就识别到了——前后两次搜索词的变化是"加关键词"，判定为细化意图。买家在收窄范围，购买意愿开始变强。

第三次搜索：behind couch table adjustable height又一次细化意图。系统这时候已经在内部做记录了：这个买家连续两次细化，还没买，继续搜索中。

买家的浏览行为买家点进了某个产品的详情页看了一下，但没有加购，退出来继续搜。这个行为被系统记录为用户交互数据——浏览了但没下单，信号是"还在找，没满意"。

系统拿着这些数据——两次细化意图的分类结果，加上"浏览未加购"的行为信号——送进意图预测模块，预测这个买家下一步最可能做什么。

答案是：大概率继续细化，但如果再搜一两次还没买，就会触发饱和悬崖，系统开始把他往竞品方向引导。

然后系统在买家打出下一个字之前，就已经生成好了推荐搜索词，直接塞进搜索栏下拉框：

• narrow sofa table with power outlet adjustable height
• behind couch table with charging station rustic brown
• console table with USB ports behind sofa

这三条推荐词，是系统根据这个买家的搜索轨迹和行为信号，专门为他生成的，不是给所有人看的同一份推荐。换一个买家，搜索历史不同，行为不同，看到的推荐词可能完全不一样。

你现在回过头想想：如果这款沙发桌的 listing 里没有"adjustable height"、"with outlet"、"behind couch"这些词，在买家第二次第三次搜索的时候，这个产品就直接从候选结果里消失了。系统预测推荐词的时候，也不会把这款产品推进去。

几个买家行为的规律

1. 成交触发配件推荐买家一旦完成购买或者加购，系统立刻把预测方向切换到互补意图。你刚买了手机，系统不会再给你推手机，而是开始给你推手机壳、充电器、支架。

这个窗口是系统主动为你打开的，不是偶然的。配件卖家一定要意识到这件事。

2. 搜索疲劳临界点专利里有个案例，买家连续做了四次细化搜索还没有下单，系统就开始预测他要进入"替换"模式了——开始给他推竞品。

也就是说，你在细化阶段留住买家的时间是有限的。如果你的 listing 在他细化了三四次之后还没有出现，或者出现了但他没点，系统就会开始把他往竞品方向引导。

3. 每次都要重新赢得注意系统的预测是基于当次会话的，跨会话不一定延续。买家今天搜了你的产品，明天重新打开亚马逊，之前的行为信号可能已经清零了。不要指望系统帮你"记住"买家。

那我们卖家怎么做？

说了这么多理论，落地到实操上，我觉得最重要的几个点是这样的：

标题：前面放大品类词（捕获泛化流量），后面跟主修饰词（捕获细化流量）。品牌词放在系统容易识别等价搜索的位置。不要一上来就堆一堆属性词，先把品类锚定好。

后端关键词：建议大概这样分配——



当然这只是参考比例，根据你自己的品类调整。

A+内容：别只写自己多好。要有一个模块专门做竞品对比，这个是对抗"替换意图"买家的最好武器。另外要有一个模块展示你的配件生态，把互补意图的流量接住。

Bullet Points 第一条：要在三秒之内让买家判断这个产品适不适合他。因为不管是"无关意图"之后的冷启动买家，还是从广告跳过来的陌生买家，第一条要点是他们判断要不要继续往下看的关键。