先给结论:对应表不是把“同名”都合并到一条,而是把每个主体拆成独立行,再用可核验的标识字段做区分;只有当两个主体的标识字段完全一致时,才允许合并。样本少时凭印象判断往往成立,但同名主体一多,例外就会集中出现,所以必须把判断依据写进表里。
同名品牌分属不同主体,最常见的错误是拿品牌名当主键。正确做法是把“主体”当主键,名称只作为检索入口。
这样做的直接结果是:当出现一条新口碑内容时,先按名称命中多行,再靠区分字段收敛到一行,而不是直接归到最眼熟的那一行。
当两个主体各自有可独立核验的官方站点、登记信息或应用内主体信息时,把它们建成两条强对应记录。判断依据是:字段之间互不重叠,且能从官方渠道复现。实施动作是给每行补上“来源”和“核验时间”两列,注明该字段是从哪个官方入口看到的。结果是后续遇到同名内容时,可以按域名或主体信息直接落到具体行,不需要人工再猜。
当两个主体只有名称相同,官方站点、登记信息都拿不到,或拿到的信息互相矛盾时,不要强行归并,也不要随便挑一行。此时建一个“待定”区,把这条内容挂起,并记录缺失的是哪个字段。实施动作是列出还需要补齐的最小字段清单,比如官方站点域名或应用内主体信息,再去已确认的官方站点或应用内核对渠道。结果是这条内容暂时不进入任何主体的口碑统计,避免污染后续判断。
两种条件的分界不在样本多少,而在区分字段能否被独立复现。样本少时凭印象能对上,是因为巧合多;规模一上来,例外就会出现在那些“看起来像但其实不是”的条目上。
一张能用的对应表,字段不必多,但每个字段都要能回答“凭什么这样归”。建议至少包含:
填写规则只有一条:任何字段的值都必须能指向一个可复查的来源。写不出来源的字段,宁可留空,也不要填一个看起来合理的猜测。
假设检索到三条都叫“晨星”的内容:一条来自某地制造业主体,一条来自某教育机构,一条只写了名称没有任何主体信息。前两条各自有可核验的官方站点和登记信息,分别建两行,状态为已确认;第三条缺区分字段,进入待定区,状态为待定。
动作与结果:对第三条,先去已确认的官方站点或应用内核对渠道,确认它到底对应哪一行,或者确认它不属于任何一行。核对完成后,第三条要么并入某一行,要么标记为已排除。这一步的意义在于,待定区不会无限膨胀,每条待定记录都有明确的下一步动作。
当同名主体从两三个增加到十几个,例外通常集中在三类:
处理这三类例外时,判断依据始终是“区分字段能否复现”,而不是“看起来像不像”。另外要注意,某条内容的检索量或抓取量归零,并不能单独证明归并正确;它也可能只是内容被替换、入口调整或检索范围变化造成的,需要结合来源字段一起看。
对应表建好后,下一步不是继续加行,而是定期检查待定区。待定区里长期缺字段的记录,说明核验渠道本身需要调整;已确认行里出现字段冲突的记录,说明原来的归并依据可能不成立,需要退回待定。只有把“归并依据”和“复查动作”绑在一起,同名主体分属不同主体时,对应表才不会退化成一张靠印象维护的名单。