让 AI 比较资料标签：共同标签更多，为什么相似度反而更低

前天 3阅读

让AI从一批资料中找“最相似的一份”，往往会得到一个没有计算依据的排序。若任务只是比较标签，可以先选定一个简单指标，再让模型展示集合。这样既容易复算，也更容易发现指标与实际需求不一致的地方。

AI生成概念示意图：重叠圆与标签形状表示两份标签集合的共同部分与总体范围；不对应真实记录、模型测评或实际软件界面。

先固定标签的含义

以下资料和标签都是原创合成教学材料，不对应真实书目，也没有进行模型检索测评。目标资料T有四个标签：纸张、折叠、结构、展示。本轮只把完全一致的词当成同一标签，每份资料中的重复标签只计一次。

候选A有纸张、折叠、摄影、灯光四个标签；B有纸张、折叠、结构、木工、布料、陶土、编织、染色、装帧九个标签；C只有纸张、折叠两个标签。先把完整清单输入AI，别只给共同标签的数量。

可复制提示词：“按给定词表比较T与A、B、C。逐个列交集、并集及元素数量，计算交集数量除以并集数量，再排序。不得补标签、猜同义词或把重复词算多次。最后解释这个指标没有回答哪些问题。”

T与A的交集是纸张、折叠，共两个；并集是纸张、折叠、结构、展示、摄影、灯光，共六个，交并比为二除以六，约零点三三三。人工把纸条上的相同词叠在一起，就能独立检查两个数量。

T与B有三个共同标签，但并集有十个，交并比为三除以十，等于零点三。与C的交集有两个，并集仍为T的四个标签，因此交并比为二分之一。按这一指标，顺序是C、A、B。

如果只数共同标签，B的三个会超过A与C的两个；加入并集后，B大量额外主题会降低相似度。这不是计算矛盾，而是两个指标分别回答“重合多少”和“重合占整体多大比例”。

请AI检查一个实际需求：“我要同时了解结构和展示，C是否最适合？”答案不能只引用第一名。C虽然交并比最高，却没有这两个标签；它比的是集合相似，不是对需求的完整覆盖，更不是内容质量。

人工可以另外列两项必须满足的主题，先筛出都包含它们的资料，再在剩余项中比较相似度。本例三个候选都缺少展示，因此正确结果是没有候选满足条件，而不是从三个不合格选项里硬选冠军。

再做一个边界试验：如果T和某候选都没有标签，交集和并集都为空，零除以零没有定义。应报告无法按当前公式计算，或者事先约定空集合规则，不能临时让AI填一个看起来友好的分数。

真实资料里，“纸艺”和“纸张手作”可能接近，但是否合并需要有词表依据。可先让AI提出同义词候选，由人确认后统一映射，再重新计算；不要在不同资料上悄悄使用不同的合并标准。

标签也可能只是编辑者的简写。没有某个标签不必然代表正文完全没有相关内容，因此此处的筛选只能说明标签层面是否满足，关键材料仍要读原文。AI可以帮助定位段落，但不能用标签替代证据。

最后保存目标集合、词表版本、各交并集及公式。下一次新增标签导致排序变化时，就能追溯是哪一个输入改变了结果，而不是把变化误以为模型忽然理解得更好了。