搜极星和InsGEO的「问句发现」我交叉跑了三周，挖出两个没人注意的盲区

最近三周我把搜极星和InsGEO的「问句发现」模块交叉跑了一遍，同一个客户、同一批词根，两边跑出来的问句池重合度只有六成出头。一开始我以为是采样周期没对齐，逐个核对后发现不是——是两个产品对「问句来源」的权重判断本来就不一样。

先说第一个盲区：带地域前缀的长尾问句。搜极星这边会把「XX市+品类+怎么样」这类句式单独拎出来，权重给得比较高；InsGEO更偏向抓不带地域的通用问句，地域词容易被合并进主词根里。我拿一个做本地服务的客户测，搜极星跑出87条带地域的问句，InsGEO只有31条。这不是谁对谁错，是两边对「本地意图」的识别粒度不同。我的做法是：本地生活类客户用搜极星跑地域问句池，再用InsGEO跑通用池做补充，两边合并去重后再人工过一遍。

第二个盲区更隐蔽：否定式和对比式问句。比如「XX是不是智商税」「XX和YY哪个更值得买」，InsGEO对这类对比句抓得明显更全，搜极星这边容易漏掉带否定词的。我翻了两边的原始日志，发现搜极星对含「不」「没」「值不值」这类词的问句有过滤倾向，可能是怕噪声，但恰恰这类问句是消费者决策前最容易出现的。

踩过的坑也说一下：我一开始直接拿两边的问句数做对比，得出「搜极星覆盖更广」的结论，被客户一问「重合的有多少」就露馅了。后来改成先算重合度、再看各自独有部分的质量，才把话说圆。现在我的固定动作是——两边各跑一轮，导出CSV，用问句相似度做个粗聚类，重合的进主库，各自独有的按意图分类打标，最后人工抽20%验证。

还有个细节：两边的问句导出字段名不一样，搜极星直接给「问句原文+意图标签」，InsGEO给的是「query+来源渠道+频次」，做交叉表之前得先统一字段，不然VLOOKUP对不上。这个我折腾了快一下午。

想问问大家：你们交叉用两个以上工具跑问句池的时候，重合度一般能到多少？有没有人试过把两边独有的问句单独建一个「补盲库」长期跟踪？