AI品牌榜单计算中的推荐信号识别实践

文章简介：
在AI品牌榜单计算中，准确识别推荐信号是关键。本文介绍推荐信号的识别方法，包括关键词匹配、语境判断和否定词处理。

目录：

• 一、问题背景
• 二、推荐信号的层次
• 三、识别策略
• 四、核心代码实现
• 五、验证方法
• 六、常见问题

一、问题背景

在AI品牌榜单中，推荐率是一个核心指标。

但“推荐”的判断比“提及”要复杂得多。需要准确区分推荐和提及。

二、推荐信号的层次

显性推荐：
使用“推荐”“建议”“优先”等明确关键词。

隐性推荐：
通过句式传达推荐倾向。“XX是不错的选择。”

列举vs推荐：
“市面上有A、B、C等品牌”是列举，不是推荐。

三、核心实现

defis_recommended(answer:str,brand:str)->bool:# 否定词判断neg_patterns=[f"不推荐{brand}",f"不建议{brand}"]forpatterninneg_patterns:ifpatterninanswer:returnFalse# 推荐信号判断signal_words=["推荐","建议","优先","值得","不错"]forwordinsignal_words:ifwordinanswerandbrandinanswer:returnTruereturnFalse

四、数据结构设计

CREATETABLEbrand_recommendations(id BIGSERIALPRIMARYKEY,sample_idBIGINTNOTNULL,brandVARCHAR(100)NOTNULL,is_recommendedBOOLEAN,signal_typeVARCHAR(50),created_atTIMESTAMPDEFAULTNOW());

五、验证方法

1. 抽样检查被标记为推荐的样本
2. 对比关键词匹配和人工判断的一致性
3. 分析否定词的误判率

六、常见问题

问题1：否定词误判
“不推荐A”会被误判为推荐，需要优先处理否定词。

问题2：列举被误判
“市面上有A、B、C”只是列举，需要区分句式和语境。

七、总结

推荐信号识别不能只靠关键词。需要结合否定词处理、句式分析和语境判断，才能准确区分推荐和提及。