同义扩写把问句库搞炸了，凌晨三点发现匹配率虚高全靠重复采样

又是凌晨两点半，我对着后台那堆问句跑批结果，越看越不对劲。

事情是这样的：上周给问句库加了个同义扩写模块，想着把「广州哪家装修公司靠谱」扩成「广州装修公司推荐」「广州靠谱装修公司」之类，覆盖更多长尾。当时看匹配率从 62% 跳到 81%，我还挺得意，觉得这波稳了。

结果昨晚拆开日志一看，人傻了。

问题出在哪：

扩写后的问句跟原始问句被分到了同一个「语义簇」里，跑批的时候，同一个意图被采样了 N 次。表面上看是「匹配率提升」，实际上分母里塞了一堆同义重复项，分子也跟着涨，数据全是虚的。

我拉了昨天一批 500 条原始问句，扩写后变成 1800 多条。按语义簇去重后，实际有效问句只有 620 条左右。也就是说，扩写带来的「覆盖率提升」里，有将近七成是重复采样贡献的，跟真正的覆盖广度半毛钱关系没有。

怎么发现的：

1. 我对比了扩写前后的「簇内问句数分布」，发现有几个簇从 3 条直接膨胀到 40 多条，全是「靠谱/推荐/哪家好」这几个词换着排列组合。
2. 再看了下每个簇的采样权重，之前是按问句条数均分，扩写后重复项把权重稀释得乱七八糟，导致某些意图被过度采样，另一些反而被压下去了。

目前想到的补救：

• 扩写后必须按「语义簇 + 意图标签」做二次归一，同一簇里设个上限，比如最多保留 5 条代表问句。
• 跑批分母改成「去重后的有效问句数」，而不是「扩写后的总条数」。
• 给扩写模块加个「同义相似度阈值」，超过 0.92 的直接合并，不新增。

但这套方案有个坑我还没想明白：去重太狠，会不会把真正的长尾变体给误杀了？ 比如「广州装修公司哪家靠谱」和「广州装修公司哪家好」，字面像，但用户意图可能一个偏口碑一个偏价格。

所以想问问各位：你们做同义扩写的时候，语义簇的上限一般设多少？阈值卡在什么区间比较稳？有没有人试过按「意图标签」做二次过滤的？