Shopee同义词与近义词：怎么归并成一组词

同一个需求有很多种说法

拿一个具体品类来看这件事会更清楚。比如买家想买一件收纳箱，他会写收纳箱、整理箱、储物盒、收纳盒，还会带上大号、带轮子、可折叠这样的限定。同样的需求，报表里至少躺着七八行数据。

这些说法不是买家故意制造麻烦，而是语言本身的冗余。一个物件在生活里有正式叫法、有俗称、有按用途的叫法、有按材质的叫法，不同的人从不同的角度指同一件东西，用的词就不一样。

报表按字符串做统计，这是技术上的自然结果。系统看到的是不同的字符组合，不会自动判断这两行说的是不是同一件事。于是同一份需求被人为切成了碎片，每一片看起来都不大，加在一起却不小。

碎片带来的直接后果是判断失真。单看收纳箱这一行，可能觉得需求不大，不值得投入；把七八行合起来看，才发现这是一个可以撑起一条链接的需求。数字没变，结论反过来了。

还有一种后果是重复劳动。负责选词的人今天调了收纳箱，明天看到整理箱又调一遍，后天看到储物盒再调一遍。动作记了三笔，实际处理的却是同一个需求，时间就这样被吃掉了。

第一步动作是把候选说法捞出来。翻最近一个完整周期的搜索词报表，凡是能带来曝光或点击的说法的行都留着，哪怕只出现过一两次也先记下。低频说法往往正是被漏掉的那批。

第二步是把这些说法两两做一次结果页比对。具体做法是拿两个说法各搜一次，看前两三页的结果里重合了几条链接，估一个比例。这一步不需要精确到个位，能分出高、中、低三档就够了。

第三步是按重合度把说法连成群。重合度高的连在一起，重合度低的自然而然就分到了不同的群里。这一步做完，一批散乱的说法就变成三五个候选组，后面只需要对这几个组做判断。

第四步是给每个候选组各挑一个代表词，把组内的量加总一遍。这一步的目的是看这个组对应的需求盘子有多大，和单看一行数据得到的印象往往差很多，做取舍的时候要以加总后的数字为准。

第五步是把判断结果写成一句话的组说明。写清这组词对应的是什么商品、什么买家、大概的规模档位。这句话看起来简单，却是后面所有调整动作的依据，写不清楚说明归并本身还没想明白。

有一个具体的例子能说明这件事的规模。一家做厨房小工具的店铺，把报表里属于同一个需求的二十多个说法归并之后，发现这个需求的实际搜索量是原先单看主说法时的四倍多，而这个需求此前一直被当成不值得做。

另一个例子方向相反。一家店铺以为几个说法是同一件事，归并之后一起做了两个月，成交始终上不来。后来拆开看才发现，其中一个说法的买家要的是小规格，另一个要的是大规格，两拨人的退货原因都不一样。

还有一个细节是低频说法的分布。同一组词里，往往有一两个说法的量特别小，但转化率明显高于主力说法。这类小量高转化的说法不要因为量小而忽略，它可能代表着一小群需求特别明确的买家。

记录的时候建议给每个说法标一个来源。是报表里自然出现的，还是从别处看到的，来源不同可信度不同。自然出现且有实际点击的，参考价值最高；只是听说或者推测的，先标成待验证。

最后一个细节是时间。同一个说法的搜索量在不同月份可能差好几倍，尤其是带季节或节日含义的说法。做归并时如果取了单个月份的数据，容易把季节性的差异误认为说法之间的差异。

归并不是把意思相近的词堆在一起，而是判断买家买的是不是同一件东西

哪些词算同一组

有一种说法叫同义替换，指的是两个词可以放在同一个句子里互换而意思不变。收纳箱和整理箱多数情况下是可以替换的，说整理箱的人不会拒绝一个收纳箱，这两个词基本可以算一组。

还有一种情况是上下位关系，看起来也像同义，其实是包含关系。收纳箱的范围更宽，带轮收纳箱是它的一个子集。买带轮的人有明确的附加要求，把他和只说要收纳箱的人混在一起，需求就被稀释了。

判断的实操办法是去看点击对象。把两个词分别搜一遍，看搜出来的是什么商品、买家点开的是什么商品。如果点开的是同一批货，说明这两拨人想要的是同一个东西；如果点开的是两批货，那就不是一组。

结果页重合度是一个可以量化的辅助指标。取两个词各自前几页的结果，数一数重合了多少条链接，算一个比例。比例高说明这两个词的供给面接近，可以并管；比例低就要警惕，可能是两类需求。

最容易被忽略的是修饰语指向。带轮、可折叠、加厚这三个修饰词都指向不同的属性，指向同一属性（比如都是材质得）的说法才更适合并在一组，指向不同属性的最好各自成组。

做可替换性判断的时候，可以借用一个小小的替换测试。把两个说法分别放进同一句买家会说的话里，看这句话是否还成立、是否还是同一个意思。成立就是同义，不成立就是两类需求。

结果页比对需要一个固定的取数规则，否则每次比出来的数字都不一样。建议固定在前三页、固定按综合排序、固定在同一时间点取，把这三件事写进流程，后面就能持续复用同一套标准。

重合度怎么分档也要事先定好。经验上重合比例明显偏高的归一组，处在中间的列为待定、观察一个周期再定，明显偏低的直接拆开。待定那一档不要放着不管，要给它定好复查时间。

处理上下位关系的时候，一个务实的做法是把上位词单独放一行，子类各自独立成组，然后在表里用一列注明它们属于同一个大类。这样既避免了混算，又能在大类层面做汇总分析。

最后一步是交叉验证。把归好的组拿回去和实际成交比一遍：如果组内多个说法都出过订单，说明这组归得比较实；如果只有代表词出单，其余变体只有曝光没有成交，说明这组的边界可能要往回收。

看结果页重合度的时候，有一个容易踩的坑是忽略了排序方式的影响。按综合排序和按销量排序，出来的结果差别可能很大。固定的那一次比对要用同一种排序，否则数字没有可比性。

还有一个坑是忽略了地域和语言设置。同一个账号在不同站点搜索，结果会不一样。做比对的时候前后要保持站点和语言设置一致，这一点在跨市场经营的店铺里尤其容易被忽略。

有一个实用的小技巧是记下比对日期。搜索结果的构成会随时间变化，今天算出的重合度，两三个月后可能已经不准。在表里写清日期，复查的时候就知道这个数字是不是还值得参考。

对于那种两个说法结果页重合度处在中间档的情况，一个更稳妥的处理是暂时都保留在组里，但用两列分别统计它们的曝光和成交。观察一个完整周期之后，再根据实际表现决定并还是拆。

边界条件是新词。刚出现不久的说法，样本量太小，任何量化指标都不可靠。这类词建议先放入观察区，只记不判断，等积累了足够的数据再纳入正式的分组流程。

归并出错多半不是漏词，而是把不该在同一组的词凑到了一起

归并的判断标准

把前面几项收拢起来，归并的第一条标准是需求可替换性。买这个说法的人，会不会接受另一个说法对应的商品。会，就有并的基础；不会，就必须拆开，不管这两个词看起来有多像。

第二条标准是概念层级要对齐。同一个层级里的不同说法可以并，上位词和下位词不能并。层级一旦混了，后面的搜索量加总、竞争度判断、转化率比较都会因为口径不一而失去意义。

第三条是量级要能共存。一组里通常应该有一个明显的主说法，其余的量级小一截。如果两个说法量级差不多，与其硬凑成一组，不如拆成两组分别跟，免得两边都看不住。

第四条是词性要一致。有的说法是买家在描述商品，有的说法是买家在描述使用场景，这两类词的搜索动机不同，强行并到一起，会让整组的意图变得模糊，出价和文案都无从下手。

四条标准里，需求可替换性是硬门槛，其余三条是加分项。硬门槛不过就拆开，这一点没有商量余地；硬门槛过了但加分项欠缺，可以并管但在表里标出来，供日后复查时参考。

把标准做成打分表会更好执行。需求可替换性作为硬门槛单独一列，过或不过；概念层级、量级分布、词性一致三项各打一个分。硬门槛不过的直接拆开，过了的按总分决定是并管还是待定。

打分的具体做法是把三项各分成高、中、低三档，分别记两分、一分、零分。总分达到五分的并管，三到四分的并管但标注待复查，两分及以下拆开。这套阈值用一段时间之后可以按自己类目的情况微调。

判断过程中有一个高频误判要留意：把修饰语相似的词当成同义词。加厚款和加绒款看起来都是加个形容词，实际对应的材质和季节完全不同，这两类词的买家基本不重叠，不该并在一起。

另一个高频误判是只看字面。有些说法字面上几乎一样，只差一个字，实际指的是不同品类的商品；反过来也有一些说法字面完全不像，指的却是同一件东西。字面只能当线索，不能当依据。

还有一个动作是给每个判断留证据。写清这组词是基于几次结果页比对、重合度大概在什么档位、组内哪几个说法是主力。有了这几句话，半年后别人接手或者自己回头复查，都能快速接上。

有一个具体的判断案例。某店铺把几个带不同容量的说法归成了一组，理由是它们都是同一个商品的不同容量。归并之后发现，搜索量最大的那个容量说法和其余几个的买家完全不重叠，最终把量最大的那个单独拆了出去。

另一个案例涉及使用场景。把家用和商用两个场景的说法混在一组，平均转化率一直很难看。拆开之后两边的转化率都变得清晰，家用的转化率偏高但客单价低，商用的相反，两个方向做起来完全不同。

有一个细节是关于词性的。买家描述商品的词和描述使用场合的词，在报表里看起来都是名词短语，很容易被放在一起。但前者对应的是明确需求，后者对应的是模糊需求，这两类不该并。

判断过程中建议把存疑的组合单独列一张表。不要为了图快直接把存疑的并进去，也不要因为存疑就一律拆开。存疑本身就是一种状态，给它一个位置、定一个复查时间，比硬下结论更稳妥。

边界条件是语言本身在演变。有的说法一年前还很生僻，现在成了主流；有的说法过去是标准叫法，现在年轻人已经不用了。归并的判断标准要承认这种变化，把它当作定期复查的理由，而不是一次定终身。

归并之后怎么用

归并之后的第一件事是给每组挑一个代表词。挑的原则不是量最大，而是量最稳。一个量最大但三个月的曲线像锯齿的说法，会把整组的走势带得很难读，不适合当代表。

代表词的作用是当这组词的观察窗口。日常盯数据只看代表词，它的曝光、点击、成交大致能反映整组的健康状况。想看细节的时候再展开到组内各个变体，工作量的差别是很明显的。

第二件事是把组内变体登记在册。变体不是没用，它承担的是覆盖买家不同说法的职责。只盯代表词的数据，不代表可以忽略变体，变体是让链接能被更多说法搜到的那个部分。

第三件事是给整组算一个合计口径。把组内主要变体的搜索量加起来，得到一个需求估算值。这个值和你当初单看一个说法得到的数字往往差很远，而它才是判断值不值得做的依据。

第四件事是明确这组词对应到哪个商品或哪条链接上。一组词如果对应得很清楚，后面的调整方向就很确定；如果一组词横跨两个商品，说明这组归并不成立，要退回去重新切。

代表词选定之后要定一个观察节奏。通常是每周看一次曝光和点击的变化，每两周看一次成交和转化。节奏定得太密，数据还没稳定就下结论；定得太疏，问题浮出来的时候已经晚了。

给整组算合计口径的时候，建议分成两档来算。一档是代表词加主力变体的核心合计，用于日常判断；一档是包含全部低频说法的全量合计，用于季度性的需求规模评估。两档分开，判断的颗粒度才对得上。

落地的动作是把这组词对应的商品和链接定下来，然后明确这组词在链接里承担什么角色。是主要负责引入新买家，还是负责承接已经有明确需求的买家，角色不同，后面的资源投放方式也不一样。

如果一组词同时对应了两条链接，先不要急着拆分，而是看这两条链接是不是本来就在做同一件事。是的话，把词集中给表现好的那一条；不是的话，说明词组分错了，要退回归并环节重新切。

用了一段时间之后要回看效果。判断的方法很简单：看这组词的曝光是不是覆盖到了组内所有主要说法，还是只覆盖了代表词。如果只有代表词有曝光，说明变体没有真正用起来，归并就白做了。

举一个落地操作的例子。一组词确定之后，把它们安排在链接的什么位置、用在哪一段描述里，是紧接着要做的事。这一步做得好，组内各说法才有机会都拿到曝光，否则只有代表词在工作。

第二个例子是关于投放的。同一组词在广告这边不需要各建一个计划，用一个计划把组内主要说法都覆盖进去，看的是整组的投入产出比，而不是单个说法的表现。这样能避免来回调预算的折腾。

有一个细节是观察指标的对应关系。整组看的应该是合计曝光和合计成交，组内变体看的是各自的曝光占比。如果某个变体的曝光占比长期极低，说明它没有被真正覆盖，要检查一下是不是布点没做全。

还有一个边界情况是组内词的表现分化。一开始整组走的，跑了一段时间之后，某一个变体突然起量、其余变体停滞。这时候不要急着拆组，先看看是不是这个变体正好撞上了一个短期的需求变化，观察两三个周期再决定。

关于记录，建议给每组留一行状态。状态分三种：正常跟进、待复查、暂停观察。三种状态对应不同的处理节奏，写清楚之后，即使换了人接手，也知道该先管哪一批。

分得太细或太粗的代价

分得太细的代价是管理成本虚高。同一个需求被拆成七八个观察对象，每天的报表要看七八行，每次调整要记七八笔，团队里还得有人专门去对齐这几行之间的关系，产出却还是个位数。

分得太细还有一个隐性代价是判断摇摆。收纳箱的数据这周涨了，整理箱的数据下周涨了，看起来像两个需求在轮流发力，实际只是同一批买家换了说法。这种假信号会带偏整个节奏。

分得太粗的代价正好相反，是把不同的买家混在一起。比如把所有带材质的说法并成一个组，搜索结果页里既有买布艺的也有买塑料的，两拨人的转化路径完全不同，平均出来的数字谁都代表不了。

分得太粗还会掩盖真正的问题。某个变体的转化率很差，被组内表现好的变体一平均，就看不出异常了。等到问题浮出水面，往往已经积累了很久，纠错的成本比当初拆开看要高得多。

判断太细还是太粗，有一个实用的检查动作：看这组词对应的是不是同一个商品、同一批买家、同一类使用场景。三个问题有两个是否定回答，就要考虑拆；三个都是肯定回答，就可以并。

判断自己的词组是不是太细，有一个量化检查可以做。数一数当前在跟的词组数量，再数一数商品数量，如果词组数量是商品数量的好几倍，多半就是切得太碎了，需要做一次合并整理。

判断是不是太粗，检查的角度是看组内的分化程度。把组内各说法近一个月的表现排一排，如果头尾差距极大、走势方向也不一致，说明这组里装了两拨不同的人，应该拆开。

处理太细的办法是做一次合并，原则是宁并勿拆。合并的时候把量最小的那批说法先并到相邻组里，观察一段时间看有没有异常。没有异常就保留合并结果，有异常再单独拆出来。

处理太粗的办法是先拆出一个最明显的子群，而不是一次拆到底。拆一个观察一个周期，确认拆出来的那部分确实有独立的特征，再考虑继续拆。一次拆太多，后面很难判断是哪一步出的问题。

调整的过程中要保留原表。合并和拆分都不要直接覆盖历史记录，用新的一列或者新的版本记录改动，这样万一发现改错了，能方便地回到之前的状态。这一步能省掉不少返工的时间。

有一个具体的例子能说明切太碎的代价。某店铺在同一个需求下跟了十几个词组，每周例会要逐个过一遍，会议时间大半花在看数据上。合并成四个组之后，同样的会议时间用来讨论怎么调整，产出完全不同。

切太粗的代价也有例子。一家店铺把所有同类商品的词并成一大组，整组数据看着不错，实际里面有个子类的转化率极低，一直在拖后腿。拆开之后，把这个子类单独拎出来调整，整组数据立刻好转。

有一个细节是调整的时机。建议把词组结构的调整安排在一个周期的结束，而不是周期中间。周期中间调整，前后的数据口径不一致，很难判断效果是调整带来的还是本来就要发生的变化。

还有一个边界情况是品类扩充。新上一个品类时，原有的词组结构可能不适用，新品类里的说法找不到对应的组。这时候不要硬塞进已有的组，宁愿先新建几个组，等结构稳定了再看要不要合并。

最后是记录方式。每次结构调整都写一条简短的说明：调了哪一组、为什么调、预期是什么。几个月后回头看这些说明，能看出自己的判断在哪些地方一直偏保守、哪些地方偏激进，这是很值钱的自我校准材料。

写法不同通常可以归一组，概念层级不同则要拆开，这一点最容易看走眼

不同市场说法不同怎么处理

跨市场经营的人会遇到一个额外难题：同一个东西在不同市场叫法差得远，有时候连本地人和新移民的说法都不一致。这时候如果沿用一套词表，覆盖率会掉得很厉害。

处理的第一层是承认差异，不要试图找统一叫法。语言的差异是本地买家的真实习惯，硬把它归到一个词上，等于放弃了另一部分人的搜索入口，损失的曝光是实打实的。

第二层是分市场建表。每个市场一份当地说法清单，代表词也按市场各自选。注意这里的代表词是在当地语料里量最稳的那个，不能把总部的代表词直接翻译过去用。

第三层是汇总时按需求主题归并。各市场的词表独立，但看全局的时候要能按需求主题把它们的量加起来，知道这个需求在所有市场的总盘子有多大。这一层是给决策用的，不参与日常操作。

有一个边界条件要提前想清楚：同一个市场内部也可能存在两种并行说法，一种是老说法，一种是新冒出来的说法。前者量稳但有下滑趋势，后者量小但在涨，这种要单独成组，不能用归并把趋势差异抹掉。

分市场建表的第一步是先确定要覆盖几个市场，不要一开始就铺满。先从表现最靠前的两个市场做起，把当地说法摸清楚、验证有效之后，再把同一套流程复制到其他市场上去。

收集当地说法的做法是看当地搜索词报表里实际出现过什么，而不是先想一个词再去翻译。报表里出现过的说法是真实存在的搜索行为，翻译出来的说法是不是有人搜，需要单独验证。

验证的时候可以用一个简单的方法：把当地说法单独跑一小段时间，看有没有曝光进来。完全没有曝光，说明这个说法在当地不成立，要么换说法，要么放弃这个入口，不要在后面继续投入。

跨市场汇总的时候要特别注意汇率的干扰。各市场的量如果单位不一致，直接相加会得出一个没有意义的数字。汇总前统一换算口径，并且在表里注明换算的时间点和依据。

有一个边界条件是市场内部的方言差异。有的市场里沿海和内陆的说法就不一样，这种差异如果规模足够大，值得拆成两个当地词表分别处理，而不是硬合成一份谁也代表不了的表。

有一个实际的例子。同一件家居用品，在两个市场里的说法完全不同，其中一个市场用的是本地语言里的一个固有词，翻译工具给出的词在当地几乎没人搜。最后是翻当地搜索词报表才找到那个真正的说法。

另一个例子是关于外来词的。有的市场里年轻人习惯用外来词，年长的人用本地词，两个说法的买家群体在年龄上拉开。这种情况下，两组词可以共存，但投放的时候要分开考虑，因为转化特征不一样。

有一个细节是本地化用词的验证方式。找到候选说法之后，更可靠的验证是看它有没有实际的搜索量数据，而不是看有没有人认得这个词。认得但不搜，和搜了才可能有成交，这两件事差别很大。

还有一个边界条件是同一语言的不同市场。同一种语言在两个市场里的常用说法可能不一样，这时候不能共用一份词表。判断办法是分别看两个市场报表里说法的实际分布，不要用其中一个的结果推另一个。

关于记录，分市场词表建议独立成文件，在每个市场下再按需求主题分组。汇总层的表格只放各市场对应组的合计数据，明细留在各自的表里。层级清楚，才不会在汇总的时候把量算重。

把同一组词并起来管之后，要盯的对象变少，重复动作也跟着减少

词组的维护方式

词组表建起来之后如果不维护，很快就会和实际情况脱节。买家说法会变，新词会冒出来，老词会退潮，一年不动的词表基本就只能当档案看了，做判断的时候已经不可信。

维护的第一个动作是定期捞新说法。翻搜索词报表的时候，凡是语义上属于已有某个组、但字面上没见过的说法，先记到待归并区。攒到一定数量再统一过一遍，不必看到一个就改一次表。

第二个动作是看组内主说法需不需要换。老代表词的量如果持续下滑，而组内另一个说法的量在稳步上涨，就该考虑把代表换成新的那个。换代表的时候要在表里留一条记录，注明日期和原因。

第三个动作是复查那些当初勉强并在一组的词。硬门槛过了但加分项欠缺的组合，是最容易出问题的地方。每次复查都重新算一遍结果页重合度，看它是在变高还是变低，趋势往低走就该拆。

维护记录本身也要有格式。每条改动写清日期、改了哪一组、改了什么、依据是什么，几句话就够。积累几个月之后，翻记录就能看出这个类目的说法是怎么演化的，这个规律能帮上不少忙。

捞新说法的频率建议跟着报表周期走。每次导报表的时候顺手扫一遍没有归类的行，花的时间不多，积累下来的收获却不小，比专门安排一次大扫除要轻松得多。

换代表词的动作要慎重。老代表词的量下滑可能只是短期波动，也可能是被新说法替代的开始。判断的办法是看两个词的重合度和走势方向：重合度高且此消彼长，才说明是替代关系。

复查待定组合的时候，建议用同一套阈值重新算一遍，不要凭印象判断。印象往往受最近一次看到的数据影响，而阈值是固定的，用同一把尺子量出来的结论才有可比性。

维护记录建议按时间倒序排，最新的改动在最上面。这样翻记录的时候先看到的是最近的情况，需要追溯历史再往下看。这个顺序和人的使用习惯更贴合。

最后是给词表指定一个负责人。不必专人专岗，但要让一个人明确知道这份表归他管，什么时候该复查、改动该记在哪一列。无人负责的词表，通常在一两个月内就会失效。

有一个维护上的实际做法：在词表里加一列首次归入日期和一列最近复查日期。两列一对比，就知道哪些组很久没动过了。长期没动的组不一定是稳定的，也可能是被遗忘的，需要专门检查一遍。

另一个做法是给每组标一个健康状态。状态依据可以是组内主力说法有没有持续曝光、组内说法数量有没有异常膨胀。状态变差的组优先复查，这个方法能让人力花在真正需要的地方。

有一个细节是组名怎么起。组名用需求本身来命名，不要用代表词来命名。用代表词命名，一旦代表词换了，组名就和内容对不上了，后面接手的人容易误会。

还有一个边界情况是恶意或不相关的说法。偶尔会有一些看起来像同义、实际是蹭流量的说法混进来，这类说法如果归进组里，会把整组的质量拉低。遇到这类要先判断它是不是真实需求，再决定收不收。

最后是维护的产出形式。每次复查不必写长报告，一行结论加一行动作就够。积累一年下来，这些一行一行的内容就是这个词表为什么长成现在这样的完整解释，也是新人上手最快的材料。

常见问题（FAQ）