01
字典匹配
把分类和属性转成可比对的词
“长裤” → Pants
按配置匹配 pants、sweatpants、jogger 等表达；识别运动场景。
研发决策复盘
算法与运营思维
如何参与项目研发
TitleFlow AI 从 V1 到 V2 的决策与做法
{ }
商品事实 / 市场参考 / 内容生成 / 审核评价
项目研发中的五类决策
运营提出业务要求，算法把要求变成可以执行的规则
01确定项目范围哪些工作交给系统，哪些保留人工处理
02确认商品信息哪些卖点是真实的，可以写进商品介绍
03选择市场参考参考哪些竞品，使用哪个销售季节的数据
04生成上架内容选择关键词，安排顺序，再生成文案
05审核与改进检查内容、比较结果、调整规则
用五个问题，把业务要求变成算法
先定义问题，再选择模型；选词与词序调整分别建模
01目标希望改善什么？例如覆盖更多买家搜索需求
02决策变量允许算法改变什么？例如选哪些词、怎样排列
03约束必须遵守什么？例如事实、长度、品牌位置
04数据与参数根据什么判断？例如搜索量、竞品记录、阈值
05不确定性数据缺失或结果有限时，怎样处理和说明
V1 与 V2 分别怎样生成标题
两套方法目前同时保留，各自适用于不同场景
| 环节 | V1 | V2 |
|---|---|---|
| 寻找竞品 | 按主图寻找外观相似的商品 | 从热销榜中筛选并分级 |
| 安排标题 | 使用固定的标题格式 | 加权统计 + Copeland 排序 |
| 选择关键词 | 加权评分 + 平滑加权轮询 | 最大覆盖模型 + 分支定界 |
| 生成文案 | 算法选词，AI 组织英文 | 程序生成标题和亮点词 |
| 适用场景 | 图搜、评论分析、关键词来源记录 | 当前女装热销榜覆盖的品类 |
系统负责到哪一步
运营考虑
- 系统生成内容，运营负责审核
- 沿用运营提供的 Amazon 表格
- 可用内容先导出，异常内容做标记
系统做法
- 生成完成后进入“待审核”状态
- 核对商品规格，标记异常单元格
- 只读取业务数据，单独保存生成记录
首版提供审核和导出功能，未接入 Amazon 自动上传
哪些商品信息可以相信
运营考虑
- 卖点要符合商品的真实情况
- 竞品和评论的说法不能直接套用
- 运营可选择资料、识图或手填结果
VLM 与信息合并规则
- 图片识别：视觉语言模型（VLM）
- V2 标签合并：多数投票，至少 60% 一致
- V2 来源优先级：类目 1.0、设计师 0.8、图片 0.5
来源系数用于决定信息优先级，不代表识图准确率；图片结果仍需按事实规则使用
怎样判断商品是否属于同一类
算法组合：规则引擎 + 字典匹配 + 同义词归一化
先检查商品分类
- 检查商品大类与 Amazon 分类
- 用细分类关键词比对商品特点
- 把意思相同的不同写法统一处理
再检查属性是否一致
- 命中：竞品写出了相符的特点
- 未提：竞品标题没有写这个特点
- 冲突：竞品写出了相反的特点
细分类特点出现冲突时排除竞品；标题没写某个特点，不能直接当作不一致
三个方法怎样配合判断竞品
项目测试示例：商品属于运动长裤套装，设计师已确认圆领（Crew Neck）
02
同义词归一化
把不同写法识别为同一属性
Crew Neck / Crewneck
/ Round Neck
读取已配置的同义词组；这三种写法都可以命中圆领。
03
规则引擎
按条件判断是否适合作为参考
匹配 → 命中
相反 → 冲突；没写 → 未提
先检查分类与受众；长裤类目遇到 Shorts 冲突时排除。
Crewneck ＋ Sweatpants
圆领、长裤都相符
Shorts
与长裤类目冲突，排除
Pants，未写领型
圆领记为未提，继续评估
先查字典识别表达，再按同义词组理解属性，最后用规则决定如何处理；示例来自现有测试。
哪些竞品值得参考
算法组合：相似检索 / 加权特征相似度 + 分级筛选 + 乘法加权
| 考虑什么 | V1 | V2 |
|---|---|---|
| 怎样寻找 | 视觉相似检索：按主图找商品 | 加权特征匹配：按商品特点筛选 |
| 怎样判断 | 用分类、受众和商品事实筛选 | 看属性是否相符，再分成不同等级 |
| 怎样看新品 | 不足 8 个月新品与老款分别取样 | 不足 8 个月新品使用 1.3 系数 |
| 怎样分配影响 | 新品 70%，老款 30% | 等级、销量与新品系数相乘 |
竞品选择：从相似到参考权重
V2 测试例：命中系列、运动场景和长裤；未提休闲与圆领
V1 相似检索：官方主图 → Amazon 图搜（StyleSnap）→ 候选商品 → 分类与事实筛选
01
加权特征相似度
命中权重之和 / 参与评分权重之和
命中：1 ＋ 1 ＋ 1 ＝ 3
总权重：3 ＋ 0.8 ＋ 0.8 ＝ 4.6
相似度：3 / 4.6 ≈ 65.2%
02
分级筛选
相似度决定参考等级
1 级：近乎全部命中
2 级：至少 2/3
3 级：至少 1/3
65.2% 小于 2/3 → 3 级；低于 1/3 时排除。
03
乘法加权
等级系数 × 相对销量 × 新品系数
0.3 × (3,000 / 9,000) × 1
本例为老款，权重 0.100；不足 8 个月新品使用 1.3 系数。
本例常规版型未纳入评分；销量为月份加权销量。数值来自项目测试，参考权重不代表准确率。
旺季判断：分位数与周期分段
资料
处理
结果
演示 V2 常规计算过程；没有销量曲线时，程序另有按商品季节选择月份的处理
V1 选词：加权评分与加权轮询
资料
处理
结果
可切换下方运营方案，查看五类信息的权重变化；这里只演示规则
标题结构与 Copeland 排序
运营风格评分
- 统计运营标题常写哪些信息
- Kendall tau：比较顺序有多接近
- 按品类保留团队和个人的写法
加权统计与两两比较
- 统计竞品常写哪些信息类型
- Copeland：两两比较谁更常在前
- 优先排列比较中胜出更多的信息
“槽位”指标题中的信息类型，例如袖长、领型；运营风格评分与 V2 结构学习用途不同
为什么先把标题拆成槽位
槽位就是信息类型
- 受众、品类、领型、袖长等各有槽位
- Crew Neck 是词组，领型是它的槽位
- 同一槽位可以有多个不同写法
拆分后才能逐项比较
- 比较竞品写了哪些类型的信息
- 统计每个槽位的出现比例和位置
- 在各槽位中选词，再组合成标题
词组最长匹配：先识别完整短语，每个词只分给一个槽位；统计同一槽位时不重复计数。
标题解构：词组怎样进入槽位
算法：词典词法分析＋词组最长匹配。展示来自实际 ParseSlots 输出，未知词不会被强行填入槽位。
这些“权重”各自解决什么问题
槽位出现比例可以同时很高，不要求合计 100%；搜索优化也不把它直接乘到 ABA 搜索量上。
| 名称 | 回答的问题 | 怎样使用 |
|---|---|---|
| 信息来源可信度 | 本款事实应该相信哪个来源 | 类目 1.0、设计师 0.8、图片 0.5 |
| 竞品参考权重 | 哪家竞品在统计中影响更大 | 等级 × 相对销量 × 新品系数 |
| 槽位出现比例 | 这一类型的信息有多常见 | 加权统计，标记结构中的必需或可选 |
| 词组数据指标 | 该槽位里的哪个表达有依据 | 分别计算使用比例、ABA 与 SIF 指标 |
| V1 运营配比 | 五类关键词来源怎样分配机会 | 合计 100%，用于平滑加权轮询 |
槽位权重：统计、筛选与门槛
| 测试竞品 | 等级 | 参考权重 | 当前槽位 |
|---|
算法：加权频率统计＋阈值筛选。品牌、受众、品类固定纳入；其他槽位 ≥50% 标记必需，20%–50% 可选。
槽位怎样变成新标题
实际项目函数输出；这是测试样例。示例 ABA 缺失搜索量，相关搜索指标使用排名估算，不代表业务实测效果。
V2 标题生成的完整流程
资料
处理
结果
演示算法处理资料的顺序，没有连接生产数据库，也没有执行真实生成任务
选词问题：五个要素怎样落地
模型：预算约束最大覆盖（Budgeted Maximum Coverage）＋分支定界
| 要素 | 在 V2 中怎样定义 | 算法怎样使用 |
|---|---|---|
| 目标 | 最大化新增覆盖的搜索需求 | 最大覆盖模型；竞品使用率用于细微择优 |
| 决策变量 | 每个备选词组：选入或跳过 | 分支定界比较不同词组组合 |
| 约束 | 字符预算、槽位上限、必选事实 | 优先保留身份信息，再优化剩余空间 |
| 数据与参数 | ABA、SIF、候选词与字符成本 | 每槽最多 6 个候选；择优系数 0.001 |
| 不确定性 | 候选有限，搜索可能提前结束 | 约 400 ms 期限；返回是否完成搜索 |
词组的权重分，从哪里来？
| ABA 搜索短语 | 数据月 | 搜索量 / 月 |
|---|
数据来源：现有单元测试，不是业务实测。ABA 为搜索量；SIF 输入为出单词 Orders，代码按搜索代理量使用。
关键词组合优化：分支定界
资料
处理
结果
候选词选入跳过
模型名：预算约束最大覆盖（Budgeted Maximum Coverage）。搜索量与竞品出单词数据各有口径，评分不代表真实销量
词序问题：五个要素怎样落地
算法组合：多起点贪心局部搜索（Multi-start Greedy Local Search）＋顺序约束
| 要素 | 在 V2 中怎样定义 | 算法怎样使用 |
|---|---|---|
| 目标 | 让高需求搜索短语连续出现 | 最大化完整匹配的 ABA 月搜索量 |
| 决策变量 | 已经选中词组的位置 | 移动整组词；保持其他词的相对顺序 |
| 约束 | 品牌第一、词组不拆、顺序合理 | 已知竞品顺序比例低于 25% 时拒绝 |
| 数据与参数 | ABA 搜索量、竞品先后顺序 | 取前 200 个短语；最多拼接 4 个词组 |
| 不确定性 | 贪心选择可能错过更好的排列 | 原顺序＋前 30 个短语起点，比较结果 |
贪心算法：先尝试眼前更有价值的选择
贪心怎样做
- 按搜索量从高到低尝试短语
- 局部移动词组，重新计算总收益
- 满足约束且收益增加，才保留
项目怎样补足局限
- 高需求短语可能争用同一个词
- 换一个起点，重新做一轮贪心
- 比较多个起点，保留最好结果
每次做局部改进，便于控制计算量；多起点降低遗漏风险，仍不保证所有排列中的最优解
词序调整：贪心局部搜索
SAMPEELWomenLeatherJacketCoatFallFashion
| 搜索短语 | 匹配方式 × 系数 | 分值贡献 |
|---|
测试数据演示；本例 SIF 为 0。词序目标为完整 ABA 匹配量；标题总分另含 0.5 × 非连续覆盖量。
标题、亮点词和五点分别写什么
标题（Title）
说清商品是什么
写品牌、产品名称、受众和已确认的关键特点
V2 在项目规定的 75 字符内选词
亮点词（Highlight）
补充标题没写的信息
补充真实卖点、场景和其他适合这里的表达
优先补充标题未包含的词，避免重复
五点描述
把卖点写成完整说明
根据已提供的事实组织句子
由 AI 撰写，再检查条数、格式和长度
三部分各有分工，信息不足时先记录缺口，避免为了凑长度而堆词
AI 使用什么模型，负责什么工作
识图代码默认 gpt-5.6-luna，可配置；文案模型由管理员设置，实际运行以配置为准
| 工作 | 算法或模型 | 负责什么 |
|---|---|---|
| 图片识别 | 视觉语言模型（VLM） | 识别图片里的商品特点 |
| V1 标题和亮点词 | 大语言模型（LLM）+ 规则校验 | 按已选词写英文，再由程序检查 |
| V2 标题和亮点词 | 分支定界 + 贪心局部搜索 | 程序选择词、调整顺序并生成内容 |
| V2 五点描述 | 大语言模型（LLM）+ 事实模板 | 写成完整句子，失败时使用模板 |
同款不同颜色尺码怎样处理
运营考虑
- 同款不同尺码，核心表达保持一致
- 规格差异对应真实的颜色和尺码
- 不能确认的颜色交给人工复核
分组复用与约束优化
- V1 按颜色分组，同组共享生成结果
- V2 留出颜色尺码空间，再优化选词
- 颜色放在末尾，尺码在导出时处理
共用内容提高批量生成效率，颜色尺码差异仍要与商品实际情况一致
不确定性：怎样处理，哪些仍需验证
当前通过规则、代理量、搜索记录和审核处理；尚未建立未来需求的概率模型
| 不确定性 | 项目已有处理 | 结果怎样理解 |
|---|---|---|
| 商品事实不清 | 来源优先级、冲突过滤、运营复核 | 热门词不能替代事实确认 |
| 搜索数据缺失 | ABA 总量缺失时，用排名函数估算 | 估算值是代理量，保留回退次数 |
| 季节与样本变化 | 选择历史窗口，校正采集规模 | 历史窗口仍不能保证未来需求 |
| 搜索范围有限 | 记录最优性；词序用多起点比较 | 组合最优与词序启发式分别说明 |
| 分数与销量关系 | Spearman 秩相关与历史标题比较 | 相关性和高分均不能证明销量提升 |
怎样检查结果，怎样看待分数
规则校验
- 核对规格、长度、重复词和真实性
- 标出缺少的信息与待确认的颜色
- 保留异常标记和生成历史
评分与统计检验
- 用同一标准比较生成内容和竞品
- 用相同长度与字段口径比较历史标题
- Spearman 秩相关：看评分与销量排序是否一起变化
分数高不等于已经证明销量提升；真实页面操作和 AI 调用还需分别验收
运营要求怎样变成算法思维
运营确定要求确认商品信息、参考对象、业务侧重和交付方式
算法表达要求用匹配规则、评分、组合优化和模型分工执行要求
工程实现流程连接数据、配置规则、提示审核、保存生成历史
持续检查效果已有审核与历史回测，使用情况统计目前仍是方案
每个业务判断，都应能在系统中找到对应的规则或可检查的结果