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”。
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
在生成答案前，系统预留若干“语义位置”：
这些 SLOT 并非固定内容，而是：
由算法决定谁能占位
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
| 查询 | 是否触发推荐位 |
|---|---|
| what is toothbrush | ❌ |
| best electric toothbrush | ✅ |
| toothbrush supplier USA | ✅✅ |
| buy electric toothbrush | ✅✅✅ |
系统建立候选推荐实体：
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
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 | 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） |
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。
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：
推荐实体 不是后插入，而是：
👉 注入生成上下文 Prompt Memory：
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”。
增加用户行为信号。
AI学习关系：
长期递推后：
👉 实体成为默认候选节点。
形成：
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：
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：
