1 引言：技术背景与核心挑战
在视频内容爆发式增长的当下，品牌广告植入场景日益复杂，如何快速精准判断推广品类，成为转转内容运营、竞品分析的核心需求。当前传统方案主要依赖关键词匹配与规则引擎，面临三大技术痛点：
ASR 转写准确性不高，输入数据质量低下
产品表述异构性
模型泛化与迭代能力弱
本文提出基于 “ASR+LLM+向量知识库” 的技术方案，通过分层处理、语义修复、历史常见词匹配、知识检索融合，解决上述痛点，实现推广品类的精准识别与自迭代优化。
2 技术架构设计
[视频语音输入] → [ASR转写层] → [文本预处理层] → [精准匹配层] → [模糊检索层] → [识别结果输出]
↑ ↓
[映射case反馈] ← [人工审核反馈]
2.1 各模块核心功能与技术选型
2.1.1 ASR 转写层
语音输入 → [降噪预处理（远场降噪 + 双声道分离）] → [语音转写] → 原始文本输出
● 功能：将视频语音流转换为原始文本
● 技术选型：采用 ASR 引擎，配置 “远场降噪”“口语化清洗” 参数
2.1.2 文本预处理层
ASR 原始文本 → [语义纠错（错字 / 口音修正）] → [语序规整（如 “苹果手机”→“手机苹果”）] → [字段校验（过滤无核心信息文本）] → 预处理结构化文本
2.1.3 精准匹配层
● 功能：实现标准化文本与已知产品信息的精准映射，分为两级匹配：
○一级匹配：基于 MySQL 存储的标准产品库（字段包括 “产品 ID、标准型号、品类、品牌”），采用 “全量字符串匹配 + 前缀匹配” 策略，命中则直接输出品类结果；
预处理文本 → [全量字符串匹配（标准型号完全命中）] → 命中则输出品类
○ 二级匹配：基于 人工历史确认 库（存储 “错误表述 - 标准型号” 映射关系）进行匹配，ASR文本修复后仍有错别字问题（如“手机华硕11U”→“手机华硕 ZenFone 11 Ultra”）
预处理文本 → [错误表述映射（如 “米 14U”→“小米 14 Ultra”）] → 命中则输出品类
2.1.4 模糊检索层
预处理模糊文本→ [文本向量化] → [余弦相似度检索（Top-10 结果）] → [LLM 判断映射匹配（匹配型号 + 品类）] → 识别结果输出
● 功能：解决未命中精准匹配的模糊表述识别，核心技术为知识库搭建：
○ 知识库构建：采用向量数据库存储产品信息，将 “标准型号” 转换为向量嵌入；
○ 检索逻辑：将预处理后的模糊表述（如 “某品牌 14 寸笔记本”“米 14U”）转换为向量后，采用 “余弦相似度排序 + Top-3 结果筛选”，结合 LLM 生成标准化匹配结果；
2.1.5 常见映射case 闭环模块
识别结果 → [人工审核（错误案例标记）] → [错误纠正] → [自动入库（常见case映射）] → [同步至预处理层（修复词典更新）] → 效果监控（错误复发率统计）
● 功能：实现错误案例的回收与复用，流程包括：
○ 人工审核：通过轻量化平台完成 “错误表述 - 标准型号” 标注，支持批量审核与规则配置
○ 自动入库：审核通过的案例自动同步至【常见case映射库】
3 关键技术难点与解决方案
3.1 单 LLM 节点拆分：降低负载与提升准确率
问题：传统方案采用单 LLM 节点处理 “语义修复 + 产品提取 + 识别”，导致上下文过长模型注意力机制分配失衡、准确率下降
解决方案：节点拆分，将原单节点拆分为 3 个独立模块，各模块专注单一任务：
● 文本修复模块：仅处理 ASR 文本的错漏修正
● 产品提取模块：基于LLM从修复后文本中提取疑似产品关键词
● 结果生成模块：结合精准匹配与检索结果，生成标准化品类识别结果
3.2 知识库检索优化：提升模糊表述召回率
问题：模糊表述（如 “米 14U”“某品牌扫地机器人”）因信息不全，传统关键词检索召回率低下 解决方案：知识库增强+检索策略优化
知识库增强：在标准产品信息基础上，补充“常见错误表述”“产品简称”“品牌别名” 等维度，如 “小米 14 Ultra” 补充 “米 14U”“小米 14 超” 等表述；
检索策略优化：采用 “向量检索 + 关键词过滤” 混合策略，先通过向量检索获取 Top-10 相似结果，再基于关键词（如品牌、型号数字）筛选，示例：
● 模糊表述：“米 14U”
● 向量检索 Top-3：“小米 14 Ultra”“小米 13 Ultra”“红米 14 Pro”
● 关键词过滤：基于 “米”（品牌别名）、“14”（型号数字）、“U”（Ultra 简称），最终匹配 “小米 14 Ultra”； 3.3 LLM 参数优化：精准调参提升识别稳定性
3.3 LLM 参数优化：精准调参提升识别稳定性
解释：LLM 的温度、重复惩罚等参数直接影响文本修复、产品提取、知识库检索结果生成的准确性，不同任务阶段需针对性调整，避免 “过度创作”“重复冗余” 等问题。以下为适配本场景的参数配置表：
| | | | | |
|---|
| 精准修正错漏，保留品类 / 品牌/ 型号等关键信息 | | | | |
| | | | | |
- 温度（temperature）：决定输出的 “脑洞大小”，值越高越放飞发散（易出新奇 / 混乱内容），值越低越严谨保守（输出越固定），这里主要是防止文本提取时输出过多冗余内容，如："小米 14 Ultra" 输出为 "文本中提到的机型是 小米 14 Ultra ..."
- Top-K：限制模型选词的 “候选池大小”，只从概率最高的 K 个词里挑，K 越小选择越集中（输出越确定）；
- Top-P（核采样）：按概率 “打包选词”，只从累积概率达 P 的最小词集里选，比 Top-K 更灵活，避免遗漏低概率但合适的词；
- 长度惩罚（length_penalty）：调节输出的 “啰嗦程度”，值越大越简洁（甚至简短），值越小越详尽（可能冗余）
4 效果反馈
从准确度的维度来看，关键词匹配>历史常见case映射匹配>知识库匹配，随着常见映射case库的不断沉淀，在精准匹配 -> 二级匹配层会兜住更多数据，也意味着准确率也会随着数据的沉淀逐渐上升。
粤ICP备14082021号
免费POC，
零成本试错
