不相关的词最难抓：花得不多，但一直在花
几百个词没法逐个对照
一个产品挂着几百个关键词，要一个个拿去对照标题和五点判断相关不相关，没有人做得完。
最容易误投的三类词
别人家的品牌词、型号对不上的词（给 iPhone 15 配件投了 iPhone 12）、尺寸不符的词。字面看着很像，其实买家要的不是你的货。
新品没法用“看转化”判断
传统做法是等数据：跑两周看转化。新品等不起，词不相关的那部分花费，就是白交的学费。
每个关键词和你的 Listing 逐项比对，冲突单独拎出来
- 读取 Listing：标题、五点卖点、产品描述、品牌名。你可以在评分页直接查看和修改这些内容，改完即按新内容评分。
- 字面 + 语义：既看关键词在标题、五点、描述里的命中情况，也用语义相似度判断“说法不同但意思相同”；短词和长词的判断方式不同。
- 购买意图：识别搜索意图，购买意图明确的词与信息查询类的词区别对待。
- 冲突检测：关键词里出现竞品品牌、型号与你的产品不一致、尺寸明显不符时，单独判为冲突，总分直接压到低分区。
- 给出建议：每个词得到一个 0–100 的相关度和“保留 / 复核 / 暂停”建议，并分为高、中、低三档。
缺少某一项信息（例如新品还没有历史表现、没有后台搜索词）时，系统按可用信息重新分配权重，而不是把缺失当成“不相关”。
相关词评分页：三步看清哪些词该留
选择产品
可多选、可筛选；也可以“一键处理全部产品”，在后台并行评分所有在投产品，实时显示进度与日志。
核对 Listing
查看并编辑标题、五点、描述、品牌，保存后按最新内容评分。
评分与建议
自动载入该产品在投的 SP 与 SB 关键词，也可手动添加。结果表列出总分、标题匹配、卖点匹配、描述匹配、搜索意图与建议，按高 / 中 / 低筛选，可导出 CSV。
批量暂停低分词
勾选低分的 SP 关键词，确认后一次性暂停；暂停可以随时在后台恢复。
不相关词一键清理
审核中被判定为不相关的在线关键词与商品定位，先预览清单（按产品分布），确认后分批清理，遇到亚马逊限流自动放缓，每条结果可查。
黑名单与白名单
在产品信息页按产品维护：白名单词参与竞价、不会被自动否定；黑名单词不参与竞价，并在否词时被优先处理。
判断关键词相关性：手工、规则工具与琼仁智度的差别
| 能力 | 手工运营 | 通用规则类工具 | PPCWISER 琼仁智度 |
|---|---|---|---|
| 覆盖范围 | — 抽查几十个 | — 按规则批量 | ✓ 全部在投 SP 与 SB 关键词 |
| 判断方式 | — 凭经验 | — 字面包含 | ✓ 字面 + 语义 + 搜索意图 |
| 品牌 / 型号 / 尺寸冲突 | — 容易漏看 | ✕ 通常不识别 | ✓ 单独识别并压到低分 |
| 新品没有历史数据 | ✕ 只能等 | ✕ 依赖转化数据 | ✓ 按可用信息评分 |
| 结果怎么用 | — 手工暂停 | — 手工处理 | ✓ 暂停建议 + 驱动挖词、分层、否词保护 |
对比基于功能机制描述，不代表具体效果承诺。
不相关的词在花大钱之前就被看见
一次看全
一个产品的全部关键词按相关度排好，低分词一目了然。
冲突词先出局
竞品品牌、型号、尺寸对不上的词被单独标出。
新品也能用
不依赖历史转化，建广告当天就能评。
改 Listing 立刻复评
标题、五点改了之后重新评分，看关键词与新 Listing 的匹配变化。
自动化更稳
挖词、分层、否词保护用的是同一把尺子，口径一致。
操作可逆
批量暂停前有确认，暂停的词随时可以恢复。
相关度决定一个词该进哪一层
在琼仁智度的标准结构里，词的去向由相关度与出单证据共同决定：高相关放量、一般相关捡漏、出单达标的升格精准单词系列。相关性评分因此是分层与建结构的前提，接入方式见 广告结构说明。
关于相关性评分的常见问题
相关性评分用了大模型吗？我的关键词会被发给第三方吗？
低分的词会被自动暂停吗？
SB 的关键词也能评分吗？
白名单和黑名单在哪里设置？有什么用？
Listing 改了之后，需要重新评分吗？
相关功能
关键词挖掘机
官方建议词、搜索框联想、出单词与竞品 ASIN 汇到一处，过滤去重后先进候选池。
查看 →关键词体系语义聚类
读懂词义，把意思相近的出单词自动归组，按相关度控制每组大小。
查看 →关键词体系关键词分层
出单词升格精准单词系列，其余按相关度与主题分层；旧系列同词自动让位。
查看 →关键词体系自动否定词
每小时自动找出烧钱搜索词与竞品 ASIN，先保护、再按形态选择否定方式。
查看 →产品主数据产品主数据
新品自动建档、售价费用自动校准、成本体检、主图与五种经营状态档，一页管好。
查看 →关键词体系搜索词分析
SP/SB 搜索词报告自动申请、下载、入库，多条件筛选，是否词与提取的数据底座。
查看 →参考资料与权威来源
本页所有涉及亚马逊规则、行业数据与方法论的表述均标注来源。链接指向官方文档、同行评审论文、专利或法律法规原文；访问日期 2026-09。
- [1]论文Shopping Queries Dataset: A Large-Scale ESCI Benchmark for Improving Product Search — arXiv · Reddy et al.（Amazon） · 2022 · arXiv:2206.06588亚马逊公开约 13 万条真实购物查询与 260 万条人工标注的查询-商品相关性判断，相关性分为完全匹配、可替代、互补、不相关四档，说明相关性不是非黑即白。
- [2]论文Semantic Product Search — KDD 2019 · Nigam et al.（Amazon） · 2019 · arXiv:1907.00937亚马逊自己的研究表明，购物搜索需要语义匹配，字面不同的查询可能指向同一类商品。
- [3]论文Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks — EMNLP 2019 · Reimers & Gurevych · 2019 · arXiv:1908.10084句向量模型可以衡量两段文本的语义相似度，适合把意思相近的搜索词归为一组。
- [4]官方Understand keyword match types — Amazon Ads Support Center · 2026官方定义广泛、词组、精准三种匹配，以及自动投放的紧密匹配、宽泛匹配、同类商品、关联商品四个匹配组。
- [5]专利Determine product relevance — Amazon Technologies, Inc.（原受让人 A9.com，Google Patents） · 2021 · US11062371B1亚马逊（A9）获授权的专利描述用历史搜索与交易行为及语言模型，估计搜索词对应各类商品的概率，用来判断查询与商品的相关性（仅说明业界有人研究同类问题）。