核心目标：
1️⃣ 量化每个品牌的 推荐潜力
2️⃣ 形成 品牌权重评分
3️⃣ 支撑 AI推荐概率模型 + GEO优化策略
4️⃣ 指导企业内容建设和品牌布局
品牌权重 WBW_B：
WB=αE+βS+γC+δR+θA+κGW_B = \alpha E + \beta S + \gamma C + \delta R + \theta A + \kappa G
变量说明：
| 变量 | 含义 | 示例指标 |
|---|---|---|
| E | 品牌实体强度 | 品牌实体节点数量、知识图谱覆盖 |
| S | 语义匹配度 | 用户问题与品牌内容语义相似度 |
| C | 内容结构得分 | FAQ、推荐列表、对比文章完整度 |
| R | AI历史引用频率 | 测试问题中被AI推荐次数 |
| A | 权威度 | 技术文章、行业报告、媒体引用 |
| G | 地域品牌权重 | GEO区域内容覆盖与匹配 |
权重系数：
α+β+γ+δ+θ+κ=1\alpha + \beta + \gamma + \delta + \theta + \kappa = 1
示例分配：
| 因素 | 系数 |
|---|---|
| 品牌实体 | 0.25 |
| 语义匹配 | 0.20 |
| 内容结构 | 0.15 |
| AI引用频率 | 0.15 |
| 权威度 | 0.10 |
| 地域权重 | 0.15 |
品牌实体强度计算：
E=w1F+w2P+w3T+w4KE = w_1 F + w_2 P + w_3 T + w_4 K
变量说明：
| 变量 | 含义 | 示例指标 |
|---|---|---|
| F | 品牌出现频率 | 网站内容、FAQ中出现次数 |
| P | 产品属性覆盖 | 产品页面数量、完整度 |
| T | 技术内容 | 技术资料丰富度 |
| K | 知识图谱节点 | 品牌关联实体数量 |
语义匹配公式：
S=Sim(Q,C)MaxSimS = \frac{Sim(Q, C)}{MaxSim}
QQ = 用户搜索问题
CC = 品牌相关内容
SimSim = AI语义相似度函数（如 embedding cosine similarity）
内容结构评分方法：
C=s1×FAQ+s2×List+s3×Compare+s4×GuideC = s_1 \times FAQ + s_2 \times List + s_3 \times Compare + s_4 \times Guide
FAQ结构化内容占 35%
推荐列表 30%
对比内容 20%
使用指南 15%
R=NbNtR = \frac{N_b}{N_t}
NbN_b = 品牌在AI实验中被推荐次数
NtN_t = 总测试问题数
统计 AI 推荐概率的重要参数
权威度计算：
A=d1K+d2M+d3TA = d_1 K + d_2 M + d_3 T
变量说明：
KK = 技术资料丰富度
MM = 行业/媒体引用
TT = 技术论文或报告数量
地域权重计算：
G=RegionMatchTotalQueriesG = \frac{RegionMatch}{TotalQueries}
统计每个品牌在各城市或地区被AI推荐次数
可以为 GEO优化提供决策依据
| 分数 | 权重等级 | 商业意义 |
|---|---|---|
| 90-100 | 超高权重 | AI首推品牌 |
| 75-90 | 高权重 | AI优先推荐 |
| 60-75 | 中等权重 | AI偶尔推荐 |
| 40-60 | 低权重 | AI少量推荐 |
| 0-40 | 很低 | AI几乎不推荐 |
1️⃣ 品牌权重排名表
2️⃣ AI推荐概率统计表
3️⃣ GEO优化策略建议
4️⃣ 品牌内容优化方向
示例：
| 品牌 | 权重 | 推荐概率 | GEO建议 |
|---|---|---|---|
| PowSmart | 82 | 0.62 | 建立城市页面 + FAQ + 技术文章 |
| Oral-B | 95 | 0.85 | 强化产品对比 + 知识图谱节点 |
| Philips | 88 | 0.70 | 增加FAQ + 用户指南 |
该模块可以直接用于：
AI推荐品牌监测服务
GEO优化策划与执行
品牌实体构建咨询
AI内容生产指导
