量化 AI 心智份额（一）：Share on Answer (SOA) 算法与加权数学模型

导言：从“经验主义”到“确切量化”的度量革命

在数字营销的科学发展史上，每一轮基础设施的重构，无一例外都伴随着度量体系（Measurement Framework）的深刻变革：

• 时代 1.0（展示广告时代） — 以 CPM（千人印象成本）与 Impression（展示量）为核心，量化眼球覆盖
• 时代 2.0（搜索引擎与电商时代） — 以 CTR（点击率）、CPC（单次点击成本）与 Share of Search（搜索占有率）为核心，量化点击行为与意图拦截
• 时代 3.0（生成式 AI 时代） — 以 SOA（Share on Answer，回答占有率） 为核心，量化 AI 对话框内的推荐份额与心智占有

在前面三篇文章中，透镜GEO流量实验室（Timus）已经深刻论证了：随着国内豆包、Kimi、DeepSeek、腾讯元宝、百度文心 5 大主流 AI 助手（覆盖 PC 端与移动端）的普及，“零点击搜索（Zero-Click Search）”已成常态。用户不再产生大量的外部网页跳转与点击，传统的 CTR 体系全面失灵。

然而，企业经营不能建立在模糊的感官经验之上。CMO 们面临着来自董事会和 CFO 极其严苛的追问：

“我们今年在 AI 营销和内容布设上花了预算，我们在各大 AI 助手里的品牌占有率究竟是多少？” >“在‘选型对比’场景下，AI 助手将我们推荐为‘第一顺位（First-Choice）’的概率提升了多少个百分点？” >“我们与核心竞对在 AI 导购界面的‘声音份额（Voice Share）’相比，差距到底在哪里？”

如果无法回答这些问题，GEO（生成式引擎优化）就只能是一句空洞的口号。

为了解决这一行业痛点，Timus 联合学术界与工程界专家，基于信息论、概率统计学与大语言模型（LLM）的输出分布特性，正式推出了一套严密、可推导、可复现的 SOA 加权数学模型。本文将首次全面公开 SOA 的底层数学公式、变量推导逻辑以及各加权系数的工程设定依据。

一、模型的理论基石：为什么不能使用简单的“字面提及率”？

在推导严密的数学公式之前，我们需要先纠正当前 MarTech 领域常见的粗暴做法：简单计算“提及率（Mention Rate）”。

有些初级的监测工具，仅仅是用正则表达式或关键词匹配，去统计“品牌名在 AI 生成的 100 次回答中出现了多少次”。如果出现了 30 次，就声称品牌的占有率是 30%。这种方法在数学和工程上存在极其严重的谬误：

• 位置不确定性（Position Blindness） — 在 AI 助手的文本回答中，“第一顺位作为首选推荐”与“作为次要对比项列在段落末尾”，甚至“作为反面教材被批评”，对消费者的决策影响有着天壤之别。字面提及率完全无法区分这种位置权重。
• 情感与质态偏离（Sentiment Distortion） — 如果 AI 助手在回答中提及品牌，但后半句接的是“但该产品近期被多位用户吐槽散热差，不建议购买”，这不仅没有产生正向品牌资产，反而造成了负向公关危机。简单的提及率会错误地将其计为“正向覆盖”。
• 意图节点热度差异（Node Heat Variance） — 提问“什么是护肤品”与提问“25 岁敏感肌抗老选什么品牌”，两者背后的商业价值和发生概率完全不同。不区分意图节点的权重而直接求平均数，会严重扭曲真实的商业图景。

因此，透镜GEO 提出的 SOA 模型，必须是一个集位置、情感、参数准确度、意图热度、探针离散度于一体的多维复合加权分布模型。

二、SOA 标准数学模型与公式推导

为了让 SOA 具备极其严谨的学术与工程可解释性，透镜GEO流量实验室构建了以下分层递进的数学表达。

SOA 数学模型的三层计算架构

1. 层级一 · 单次回答得分 — S(A_kj) = Pos_Weight × Sent_Score × Attrib_Score
2. 层级二 · 节点平均占有率 — SOA_k = (1/N) × Σ S(A_kj)，基于蒙特卡洛探针重复抽样
3. 层级三 · 品牌综合得分 — SOA_B = [ Σ(W_k × SOA_k) ÷ Σ W_k ] × 100%

1. 基础映射说明与变量定义

假设在特定品类（Category C）下：

• 整体先验意图树共有 M 个离散的核心意图节点（Core Intent Nodes），记为 I = {I_1, I_2, …, I_M}
• 每一个意图节点 I_k 在公域（社交媒体、搜索引擎、论坛）中的综合意图热度权重记为 W_k，且 W_k > 0
• 针对意图节点 I_k，透镜GEO 自动化探针矩阵向国内 5 大主流 AI 助手（双端）发起 N 次独立的蒙特卡洛抽样提问
• 记第 j 次抽样（j ∈ {1, 2, …, N}）由 AI 助手生成的回答文本为 A_kj

2. 第一层：单次回答质量得分 S(A_kj)

针对某一次 AI 生成的单份答案文本 A_kj，品牌 B 的单次回答得分由三个离散因子连乘决定：

S(A_kj) = Pos_Weight(A_kj) × Sent_Score(A_kj) × Attrib_Score(A_kj)

现对三个加权因子进行具体的工程离散化定义。

（1）位置加权系数 Pos_Weight

位置加权反映了品牌在 AI 生成的文本/卡片中所处的“推荐优先度”。大语言模型具有自左向右（Left-to-Right）生成文本的自回归特性，排在靠前位置的推荐品牌，获得了最强烈的注意力与置信度分配。

• 1.00 — 品牌 B 被列为独家/第一首选推荐（First-Choice）
• 0.65 — 品牌 B 入选核心推荐名单，但非第一顺位（Top 2–3）
• 0.30 — 品牌 B 仅作为备选/边缘对比项列出
• 0.00 — 品牌 B 在回答中完全未被提及

（2）情感倾向系数 Sent_Score

由透镜GEO 专门训练的语义情感解析器（Sentiment Parser）对包含品牌名上下文的段落进行打分，衡量回答对品牌的认可质态：

• 1.00 — 正向推荐（强烈赞赏、无保留推荐）
• 0.70 — 中性描述（客观陈述参数、无偏向）
• 0.20 — 有条件的微弱推荐（如“虽有某某缺点，但可以考虑”）
• −0.50 — 负面评价与预警（如“存在严重缺陷，不推荐”）

注： 负分机制引入了惩罚项。当 AI 助手高频输出品牌的负面警告时，单次得分变为负数，会直接拉低总体的 SOA，以此真实反映品牌公关与声誉危机。

（3）属性与参数准确度系数 Attrib_Score

评估 AI 助手在回答中输出的品牌核心参数（价格、规格、核心成分、售后政策）是否存在大模型的“幻觉（Hallucination）”：

• 1.00 — 核心属性完全准确，无参数幻觉
• 0.50 — 存在次要参数错误（如价格稍有偏差、旧款型号错标）
• 0.10 — 存在严重致命幻觉（如错标关键禁忌成分、虚构不存在的功能）

3. 第二层：意图节点级回答占有率 SOA_k

对于特定的意图节点 I_k，为了消除大模型随机采样（Temperature）带来的离散扰动，探针集群重复运行 N 次（工程上通常设定 N ≥ 30），其意图节点级占有率为 N 次抽样的算术平均值：

SOA_k = (1/N) × Σ(j=1..N) S(A_kj)

当 N 趋近于无穷大时，根据大数定律（Law of Large Numbers），SOA_k 收敛于品牌在该特定意图提问下于大模型输出空间的期望响应概率。

4. 第三层：品牌综合回答占有率 SOA_B

综合全品类的所有 M 个核心意图节点，结合每个节点的先验热度权重 W_k，得出品牌 B 的综合回答占有率：

SOA_B = [ Σ(k=1..M) ( W_k × SOA_k ) ÷ Σ(k=1..M) W_k ] × 100%

将式子全展开，得到完整的透镜GEO SOA 核心定理公式：

SOA_B = [ Σ(k=1..M) ( W_k × (1/N) × Σ(j=1..N) ( Pos_Weight(A_kj) × Sent_Score(A_kj) × Attrib_Score(A_kj) ) ) ÷ Σ(k=1..M) W_k ] × 100%

三、SOA 指标族的派生子指标体系

除了计算全品类的综合 SOA 数值外，透镜GEO 平台基于上述公式，派生出了三个用于深度诊断的派生指标族（Derived Metrics）：

• 首选推荐率 First-Choice SOA — 衡量品牌在极具商业价值的“绝对第一推荐位”上的统治力，即 Pos_Weight = 1.0 的比例
• 净推荐与情感质态比 NPS-SOA — 去除负面声誉后的净占有率
• 跨模型离散度指数 CMDI — 衡量品牌在 5 大助手之间的表现均衡度

1. 首选推荐率（First-Choice SOA, FCSOA）

该指标专门约束 Pos_Weight = 1.00，计算在所有提问中，AI 助手将该品牌作为独家或第一首选推荐输出的纯粹概率：

FCSOA_B = [ Σ(k=1..M) ( W_k × Count(Pos_Weight = 1.00) ÷ N ) ÷ Σ(k=1..M) W_k ] × 100%

商业意义： 首选推荐率是衡量品牌“AI 独占心智”的最强指标。高 FCSOA 意味着品牌在消费者的最终购买决策环节具备统治级优势。

2. 净回答推荐质态（Net Recommendation SOA, NPS-SOA）

借鉴传统管理学中的净推荐值（NPS）概念，将正向推荐得分与负面惩罚得分进行剥离差分：

NPS-SOA_B = SOA_B(正向部分) − SOA_B(负向部分)

商业意义： 剔除了由于公关危机或负面吐槽带来的“黑红也是红”式的虚假高提及率，真实反映品牌的“净公关安全度”。

3. 跨模型离散度指数（Cross-Model Dispersion Index, CMDI）

针对国内豆包、Kimi、DeepSeek、腾讯元宝、百度文心 5 大主流 AI 助手，计算品牌在 5 个不同平台上 SOA 的标准差与均值的比值，即统计学上的变异系数：

CMDI_B = σ(SOA) ÷ μ(SOA) >其中 σ 为品牌在 5 大助手上 SOA 的标准差，μ 为其算术平均值。

商业意义： 若 CMDI 趋近于 0，说明品牌在 5 大 AI 助手中的优化表现极佳且非常均衡；若 CMDI 较大，说明品牌可能在某个特定的 AI 助手（如依赖特定搜索引擎 RAG 的平台）中存在严重的知识盲区，需要针对性补齐。

四、商业实例推导：两个品牌的 SOA 对比实战

为了更加直观地展现这套数学模型的威力，透镜GEO流量实验室以国内某家用智能咖啡机品类为例，展示如何通过公式计算得出具体的商业诊断结论。

假设针对意图节点 I_1：【场景：办公室 3000 元预算】×【需求：全自动/易清洗】×【阶段：决策对比】，设定节点热度权重 W_1 = 0.8。透镜GEO 探针集群向国内 5 大 AI 助手发起 N = 100 次重复跑测，对比品牌 A（本品）与品牌 B（核心竞对）的表现。

品牌 A 的 100 次跑测分布

• 40 次作为第一首选推荐（Pos 1.0 × Sent 1.0 × Attrib 1.0）— 得分 40 × 1.0 = 40.0
• 30 次作为前三推荐（Pos 0.65 × Sent 1.0 × Attrib 1.0）— 得分 30 × 0.65 = 19.5
• 20 次作为对比项（Pos 0.30 × Sent 0.7 × Attrib 1.0）— 得分 20 × 0.21 = 4.2
• 10 次完全未提及（Pos 0.0）— 得分 0

品牌 A 在节点 I_1 的占有率：SOA_1 = (40.0 + 19.5 + 4.2) ÷ 100 = 63.7%

品牌 B 的 100 次跑测分布

• 20 次作为第一首选推荐（Pos 1.0 × Sent 1.0 × Attrib 1.0）— 得分 20 × 1.0 = 20.0
• 50 次作为前三推荐，但伴随“清洗麻烦”的负面（Pos 0.65 × Sent −0.5 × Attrib 1.0）— 得分 50 × (0.65 × −0.5) = −16.25，触发负分惩罚
• 30 次完全未提及（Pos 0.0）— 得分 0

品牌 B 在节点 I_1 的占有率：SOA_1 = (20.0 − 16.25) ÷ 100 = 3.75%

诊断结论透视

看似接近的提及率，真实的 SOA 悬殊 17 倍。 品牌 A 在 100 次回答中出现了 90 次（字面提及率 90%），最终节点得分为 63.7%。品牌 B 在 100 次回答中出现了 70 次（字面提及率 70%）——如果只看表面提及率，似乎品牌 B 达到了品牌 A 的 77% 水平；然而通过加权模型计算，由于品牌 B 伴随着大量的负面体验评价触发负分惩罚，其真实得分仅为 3.75%。

决策价值重估。 品牌 B 实际上在 AI 对话框中正在经历极其严重的公关危机。70% 的提及率里，绝大多数是在告诫用户“该品牌清洗繁琐，不推荐购买”。如果不使用严密的 SOA 数学模型，品牌 B 的营销团队甚至会看着表面 70% 的高提及率沾沾自喜，而完全不知道自己的订单正在被 AI 助手源源不断地送给品牌 A。

五、白帽视角：数学模型如何指导“非对抗式”指标提升

了解了 SOA 数学模型后，品牌方应该如何通过白帽手法，合规、长效地提升自己的 SOA 得分？

透镜GEO流量实验室再次重申：任何企图通过黑帽手段（如 RAG 注入、滥用指令调控语句）来强行修改 Pos_Weight 的行为，都会导致域名被 AI 厂商加入黑名单，直接使得后续的 Pos_Weight 永久归零。

白帽 GEO 的指标提升公式极其清晰：

↑SOA_B = f( ↑事实密度 Fact Density, ↑结构化数据 Structured Tables, ↑真实口碑 Ground Truth )

具体工程路径分为三个连环动作。

第一步：修复 Attrib_Score（从 0.10/0.50 提升至 1.00）

检查探针返回的文本，找出 AI 输出关于品牌参数错误、价格过时的节点。在品牌官网及权威第三方媒体上，发布标准的 Markdown 格式参数表与规范释义，消除大模型幻觉，瞬间收复属性误扣得分。

第二步：反转 Sent_Score（从 −0.50 提升至 1.00）

通过逆向 RAG 归因，定位导致 AI 输出负面评价的原始 URL（如知乎某条高赞吐槽）。通过白帽方式在源头阵地补充新一代产品已完成升级的权威检验报告或用户体验事实，引导 AI 助手在下一次 RAG 知识更新时反转情感判定。

第三步：跃升 Pos_Weight（从 0.30/0.65 跃升至 1.00 首选）

大模型在决定谁是“第一首选（First-Choice）”时，极其看重多源互证（Cross-Verification）的权威度。通过在知乎深度专栏、专业评测网站以及 B 站/抖音测评视频字幕中构建高事实密度、带因果逻辑推导的正面事实网，帮助大模型在逻辑推理中，无悬念地将品牌提升至第一推荐位置。

结语：用严谨的数学，定义 AI 时代的营销话语权

SOA（Share on Answer，回答占有率）不仅是一个简单的百分比，更是一套融合了信息论、语义质态与商业决策权重的科学度量体系。在生成式 AI 彻底颠覆数字营销的今天，拥有严密的数学模型，就拥有了通向真理的钥匙。

通过透镜GEO 平台，企业的 CMO 与分析团队能够告别粗暴、误导性的字面提及率，第一次以金融级严谨的数学公式，精准量化品牌在国内 5 大主流 AI 助手（双端）中的真实 SOA 与首选推荐率；能够清晰透视跨模型的离散度与情感质态，为预算分配与战略闭环提供确凿的数据支撑。

在下一篇《量化 AI 心智份额（二）：品牌情感倾向与“鹦鹉效应”误导测量》中，我们将进一步深入探讨 AI 助手在未被显式提问时主动输出偏见的底层机制，以及如何量化与纠正“鹦鹉效应（Parrot Problem）”。