百度推广查询，人工判断为何在规模化后失效
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /ffe8efde4948.html
📄
百度推广查询，人工判断为何在规模化后失效
把人工判断固化成自动评分，通常不是一开始就错，而是小样本阶段确实有效，样本一多就出现例外。要防止替代，关键不是拒绝评分，而是让评分只做筛选、不做结论，并保留可追溯的人工复核入口。
矛盾现象：少量样本准，放大后开始误伤
在百度推广查询的日常使用中，一个常见做法是：先人工看几十条结果，总结出几条判断规则，再把这些规则写成评分，用来批量处理。小范围里，这套评分和人工结论高度一致，于是被当成可以独立使用的判断依据。
规模扩大后，问题开始出现。原本被人工判定为“需要进一步核实”的样本，被评分直接归入合格或不合格；一些明显异常的记录反而因为分数接近阈值而被放过。这不是评分突然变坏，而是它从一开始就只覆盖了人工判断的一部分。
两种解释：规则不完整，还是样本分布变了
第一种解释是规则不完整。人工判断时，人会同时看字段是否齐全、来源是否一致、时间是否合理、表述是否自相矛盾，而评分往往只截取了其中两三个可量化的维度。剩下那些“说不清但看得出”的部分，被规则漏掉了。
第二种解释是样本分布变了。小样本可能集中在某一类查询结果上，规则对这类样本拟合得很好；规模扩大后，出现了新的来源、新的表述方式或新的组合情况，评分没有对应的判断分支，只能按旧规则硬套。
这两种解释对应不同的处理方向。如果是规则不完整，需要补充判断维度；如果是分布变化，需要的是分层抽样复核，而不是继续加规则。
能区分两种解释的证据
可以做一个假设性的对照：把评分结果按来源或类型分组，分别统计人工复核后的不一致比例。
- 如果不一致集中在某几个固定维度上，比如缺少时间字段或来源单一，更可能是规则不完整。
- 如果不一致分散在新出现的类型上，而旧类型仍然稳定，更可能是样本分布变化。
- 如果同一类型在不同时间段表现差异明显，说明评分对时间或上下文敏感，不能静态使用。
这些统计只能说明相关性，不能单独证明评分本身有问题。请求量下降、抓取量归零或某类结果突然减少，也可能来自采集范围调整、页面改版或查询条件变化，需要结合具体记录判断。
一个可执行的动作：把评分降级为筛选器
具体做法是：不再让评分直接输出“通过/不通过”，而是输出“高分优先人工看”“低分抽样人工看”“中间区间全部人工看”。
执行后，下一步取决于复核结果。如果中间区间的人工不一致率持续偏高，说明阈值设置不合理，应调整区间而不是放宽标准；如果低分抽样里频繁出现被误杀的好样本，说明评分缺少某个正向维度，应补充后再观察。这个动作的结果直接影响后续是继续用评分、修改评分，还是回到人工为主。
不能直接照搬的边界
这套方法适合判断标准相对稳定、但存在大量边缘情况的查询场景。如果判断本身依赖实时上下文、人工经验难以写成稳定规则，或者样本类型每天都在变化，自动评分更适合只做粗筛，不能替代结论。
另外，具体工具的评分字段、阈值设置和复核入口，会随工具版本和账号权限变化，需要以实际界面和说明为准。任何评分都只是辅助，最终判断仍应保留人工确认的环节。
