地理实体在向量检索中如何影响 AI 本地网页排序

地理实体在向量检索中不是一条可有可无的元数据，它同时以「文本 token」「坐标数值」「行政层级」三种形态参与召回与重排，直接决定 AI 本地网页排序是把用户所在城市的内容排到前面，还是把同名地名的外地内容顶上来。

地理实体是什么，为什么它在向量检索里比普通关键词更麻烦？

地理实体指可被地理编码（geocoding，把地址文本转成经纬度坐标的过程）的具名地点：城市、区县、街道、商圈、POI 名称、门牌地址。

麻烦集中在三点。一是歧义：中文里「朝阳」既是北京市辖区，也是长春市辖区；「鼓楼」在南京、福州、徐州各有一份。二是层级：一个地址同时属于「街道—区—市—省」四级，用户说「附近」时想锁定哪一级并不确定。三是数值与语义混用：坐标是连续数值，嵌入模型（embedding model，把文本映射成高维向量的模型）对数值的敏感度远低于对词义的敏感度。

地理实体是怎么进入向量表示的？

结论：地理实体有三条进入路径——拼进文本被嵌入、单独编码成空间索引、抽成结构化字段，三条路径效果差别很大。

路径一，把「北京市海淀区中关村大街 27 号」整句丢进嵌入模型。模型能学到「中关村」和「北京」的共现关系，学不到两地相距 3.2 公里。

路径二，用地理编码服务拿到经纬度，再用 geohash（把经纬度编码成字符串的空间索引方法）或 H3 网格离散化。H3 分辨率 8 的六边形边长约 531 米，分辨率 9 约 200 米，选哪一级取决于业务颗粒度。

路径三，把省、市、区、经纬度、POI ID 抽成结构化字段，不参与嵌入，只参与过滤和打分。这条路径可解释性最强，出错时能定位到具体字段。

为什么纯向量检索做不好本地排序？

结论：余弦相似度高不等于地理距离近，向量空间里的「近」和地图上的「近」是两套度量。

嵌入模型的训练目标是把语义相近的文本拉近，地名在语料里高频共现的是「北京—上海—广州」这类并列关系，不是空间邻接关系。查「杭州西湖附近的咖啡馆」，向量最相似的可能是一篇讲惠州西湖或福州西湖的网页。

同名地名是最大杀手。带「西湖」的地名横跨杭州、惠州、福州、南昌；带「新区」的行政区超过 30 个。没有地理实体消歧，排序必然串味。

本地网页排序怎么做：召回 + 过滤 + 重排

结论：可靠做法是先按地理围栏做硬过滤或软加权，再用向量相似度排序，最后用真实距离重排。

第一步，地理编码用户查询，识别锚点坐标和行政层级。识别不到坐标时，退化为行政区文本匹配。

第二步，召回阶段按 geohash 前缀或 H3 网格圈定候选集。半径参数建议：商圈级 1–3 公里，城市级 15–50 公里，省级不设半径只按行政边界。候选集控制在 200–1000 条，太窄会漏，太宽重排成本高。

第三步，打分融合，用加权求和：

最终分 = α × 向量相似度 + β × 地理衰减 + γ × 行政层级匹配

地理衰减用指数形式 exp(-d/λ)，λ 取 5–20 公里；同城同级匹配 β 加 0.15，跨市降到 0.05，跨省置 0。α、β、γ 归一化到 1，起点可设 0.6 / 0.3 / 0.1，再按业务调。也可以改用 RRF（Reciprocal Rank Fusion，倒数排名融合）合并两路排名，常数 k 取 60，对量纲不敏感。

第四步，重排。取前 50 条算球面距离（Haversine 公式），超过阈值的直接降权或剔除。

落地时最容易踩的四个坑

结论：坑集中在歧义、层级、精度和时效。

第一，不做地名消歧。至少要维护一张同名地名表，按用户 IP 城市或查询上下文选锚点。

第二，忽略行政层级。问「上海哪里修电脑」要的是全市，问「五角场附近」要的是 1 公里，层级判断错，半径就错。

第三，坐标精度不够。IP 定位落点在城市级，误差可达 20–50 公里，拿它做商圈级过滤会直接失败。

第四，行政区划变更。撤县设区、街道合并每年都在发生，地理编码库不更新就会出「查不到这个区」的硬失败。

地理实体在 AI 本地网页排序里的作用，是把向量检索的「语义近」约束到地图上的「空间近」。完整链路是：查询侧做地理实体识别与消歧，召回侧用 geohash 或 H3 圈候选，打分侧把向量相似度、距离衰减、行政层级匹配三项加权融合，重排侧用 Haversine 校验真实距离。只做向量、不加地理约束的系统，一定会在同名地名上翻车。