08-5 · 引用抽取规则集（各引擎解析适配）
一句话：07-1-指标体系-SoM与SoV 说”各引擎引用长相不同、抽取要分别写”——本页就是那套规则的产品落地：从一段 AI 回答里，可靠地抠出”谁被提及 / 谁被引用 / 在什么位置”。 本页定位：08-4-数据引擎架构 的”抽取层”实现细则。计数口径（什么算提及/引用）不在此重定义 → 07-1-指标体系-SoM与SoV；本页只管”怎么从原始回答里把它们抠出来”。
🎯 为什么单列这页
- 没有公开的”提及追踪 API”（08-3）：被引/被提及得自己从回答文本/DOM 里解析。
- 每家引用”长相”不一样：同一句”被引用”，Perplexity 是脚注、ChatGPT 是行内链接、AIO 是来源卡——一套正则吃不下。
- 格式频繁变：UI 改版 = 解析器静默失效，数字悄悄错。抽取规则是整条引擎最脆的一环，必须单独管理 + 回归测试。
📋 各引擎引用”长相”与抽取入口（2026 年中·方向性）
| 引擎 | 引用呈现 | 首选抽取入口 | 易碎点 |
|---|---|---|---|
| Perplexity | 显式编号脚注 [1][2] + 来源列表 | 官方 API / 来源块结构 | 编号与正文对应关系 |
| ChatGPT（搜索） | 行内链接 + 底部来源块 | DOM 链接节点 / API annotations | 有无联网、来源块时有时无 |
| Google AIO | 来源卡片（缩略图+域名） | 浏览器自动化抓卡片（无 API） | 卡片渲染异步、触发不稳 |
| Google AI Mode | 链接 + noreferrer | 浏览器自动化 | 客户端剥来源（→ 归因侧 07-3） |
| Gemini | 链接附注 / 来源脚部 | DOM / 可用 API 字段 | 附注位置多变 |
| Claude（联网） | 行内/末尾来源 | API annotations / DOM | 联网开关、来源密度低 |
⚠️ 表内”长相”是观测快照，按月会变；落地以实采回归集为准，别把它写进硬编码注释当真理。
🪜 抽取三层兜底（稳健性优先级）
- 结构化字段优先：官方 API 返回的 annotations/citations 字段最稳 → 能用 API 就别解析 DOM。
- DOM 选择器其次：无 API（AIO/AI Mode）走浏览器自动化 + 选择器（→ 08-4-数据引擎架构 引擎适配器）。
- 正则兜底：脚注编号
\[\d+\]、URL 模式等做最后一道——只兜底、不主用（易误命中）。
🔍 两类抽取
A. 提及抽取（文本层）
- 实体归一化：品牌名 + 已登记别名 + 拼写变体 + 子品牌 → 归一化到同一实体再计数（归一化表随实体库维护 → A1-实体识别与知识图谱）。
- 计数口径：单观测内多次提及计 1（二元）；口径定义在 07-1-指标体系-SoM与SoV，本页只负责”命中检测”。
- 位置/显著度：标注命中位置（首位/列表内/末尾）→ 喂 07-1 的显著度加权 SoV。
B. 引用抽取（来源层）
- 判定”是否引用”：有可点击来源或明确来源归属才升级为引用（纯文字提及不算）——口径见 07-1。
- 来源域归一化：
m.reddit.com / reddit.com / old.reddit.com → reddit.com；子域/移动域/AMP 收敛到主域，否则被引来源分布失真。 - 来源-品牌关联：判断”这条来源是不是指向你”（你的官网/你被第三方提及的页）→ 喂提及-来源鸿沟分析（A4-第三方共识源与提及来源鸿沟）。
🧪 质量校验
- 回归集：固定一批已人工标注的回答，每次改规则跑回归（命中率/误报率），对齐 08-4-数据引擎架构 抽取回归集。
- 人工抽样比对：每批次抽样人工复核，算抽取准确率；准确率掉了先怀疑引擎改版。
- 方向性提醒：引用计数当方向性，曾测出 97% 偏差（→ 08-1-AI可见性监测工具）——抽取错误是偏差主因之一。
🔧 维护铁律
- 按月复核 regex / 选择器 / 来源清单（08-3：赛道极快，LinkedIn 3 个月从榜外冲到专业查询 #1 被引域）。
- UI 变更监控：解析命中率突降 = 引擎改版告警，别等客户发现数字不对。
- 版本化：抽取规则改动记版本，关联到指标的
spec_version（→ 07-2-采样方法论与统计可靠性 模型断点）。 - 出海多 locale：不同语言/区域的来源呈现可能不同，规则按 locale 验过再上（→ 09-9-出海跨境GEO-Playbook）。
⚠️ 常见坑
- 一套正则吃所有引擎 → 越改越乱；按引擎隔离解析器。
- 不做来源域归一化 → 被引来源分布虚高/虚低。
- 不做实体归一化 → 子品牌/别名漏计，SoV 偏低。
- 规则失效无告警 → 数字静默错，比没数据更危险。
🧩 边界（只链不抄）
- 计数口径定义 → 07-1-指标体系-SoM与SoV；引擎适配/调度 → 08-4-数据引擎架构；实体归一化 → A1-实体识别与知识图谱；采集选项/成本 → 08-3-数据集成与自建采样；模型断点/版本 → 07-2-采样方法论与统计可靠性。
相关
- 提及 vs 引用概念 → 02-6-引用vs提及；共识源/来源鸿沟 → A4-第三方共识源与提及来源鸿沟
- 工具替代（买现成）→ 08-1-AI可见性监测工具；归因（点击侧 noreferrer）→ 07-3-归因-从AI引用到流量转化