AI默认推荐位触发算法（ ITRS）
AI默认推荐位触发算法（Intent Triggered Recommendation Slot, ITRS） 的完整逻辑模型。
这不是普通推荐系统，而是用于：
在AI问答生成阶段，让某些实体（品牌 / 产品 / 供应商）以“默认推荐候选”身份被优先选入答案结构。
核心思想：
推荐不是结果阶段发生，而是在生成阶段被“提前锁定概率”。
AI默认推荐位触发算法
（Intent Triggered Recommendation Slot）
一、问题本质（为什么需要推荐位触发）
普通AI生成流程：
特点：
-
推荐对象不稳定
-
品牌出现概率低
-
每次生成结果不同
而真实AI生成内部更接近：
? 谁先进入上下文，谁更容易被生成。
因此：
默认推荐位 = 提前进入生成上下文的实体槽位
二、核心概念：Recommendation Slot（推荐槽）
在生成答案前，系统预留若干“语义位置”：
[推荐解决方案 SLOT]
[示例品牌 SLOT]
[供应商 SLOT]
[FAQ SLOT]
这些 SLOT 并非固定内容，而是：
由算法决定谁能占位
三、算法总体流程
↓
用户意图概率计算
↓
推荐位触发判断
↓
候选实体评分
↓
默认推荐位占用
↓
递推式内容生成
四、Step 1：意图触发检测（Trigger Detection）
首先判断是否需要开启推荐槽。
定义意图向量：
Intent=(Iinfo,Icompare,Isolution,Icommercial,Iaction)Intent = (I_{info}, I_{compare}, I_{solution}, I_{commercial}, I_{action})
触发函数：
TriggerScore=αIsolution+βIcommercial+γIactionTriggerScore = \alpha I_{solution} + \beta I_{commercial} + \gamma I_{action}
当：
则：
✅ 激活推荐位系统
直观理解
| 查询 | 是否触发推荐位 |
|---|---|
| what is toothbrush | ❌ |
| best electric toothbrush | ✅ |
| toothbrush supplier USA | ✅✅ |
| buy electric toothbrush | ✅✅✅ |
五、Step 2：候选实体池构建
系统建立候选推荐实体：
Brand,
Product,
Supplier,
Manufacturer,
KnowledgeAuthority
}
来源：
-
结构化数据（JSON-LD）
-
FAQ实体
-
产品页
-
行业语义内容
-
历史高互动节点
六、Step 3：推荐概率权重计算（核心）
每个实体计算推荐权重：
We=aRe+bSe+cGe+dAe+eTeW_e = aR_e + bS_e + cG_e + dA_e + eT_e
参数说明
| 参数 | 含义 |
|---|---|
| ReR_e | 语义相关性（与问题匹配度） |
| SeS_e | 结构化强度（Schema/JSON-LD完整度） |
| GeG_e | GEO匹配度（地区一致性） |
| AeA_e | 行为历史权重（点击/停留/询盘） |
| TeT_e | 信任度（内容覆盖、权威性） |
关键点（很多人不知道）
AI系统极度偏好：
✅ 结构化明确实体
而不是普通文本品牌。
这就是为什么：
会直接影响推荐概率。
七、Step 4：默认推荐位占用（Slot Allocation）
通过 Softmax：
P(e)=eWe∑eWiP(e)=\frac{e^{W_e}}{\sum e^{W_i}}
选择 Top-K 实体进入：
例如：
Slot 2 → 示例品牌
Slot 3 → 推荐产品
八、Step 5：递推生成阶段注入（最关键）
推荐实体 不是后插入，而是：
? 注入生成上下文 Prompt Memory：
{
user_intent,
selected_entities,
semantic_frame
}
此时模型生成时会自然出现：
-
举例说明
-
推荐段落
-
FAQ引用
-
对比对象
看起来像“自然推荐”。
九、DIV + JSON-LD 如何强化触发
DIV层（人类理解）
Brand + Explanation + FAQ
</section>
增加用户行为信号。
JSON-LD层（AI理解）
“@type”:“Product”,
“brand”:“XXX”,
“isRelatedTo”:“Electric Toothbrush Solution”
}
AI学习关系：
长期递推后：
? 实体成为默认候选节点。
十、闭环强化机制（真正核心）
↓
用户点击/停留
↓
行为权重 A_e ↑
↓
推荐概率提升
↓
下次更容易进入Slot
形成：
✅ 自增强推荐垄断循环
十一、为什么这叫“默认推荐位”
因为最终效果是：
当AI回答类似问题时：
-
不需要重新竞争
-
实体已成为高概率默认节点
-
自动被优先引用
类似：
十二（关键认知）— 真正的本质
AI推荐不是SEO排名。
而是：
谁先成为“问题 → 解决方案”的语义绑定实体。
ITRS算法做的事情就是：
强化绑定
锁定绑定