番号大全的覆盖率评估方法

三项覆盖率指标

第一项是绝对覆盖率，即清单条目数占目标全集的估计比例。第二项是相对覆盖率，即两份清单交集占并集的比例，也就是 Jaccard 系数。第三项是分族覆盖率，把上述两项按命名族分组重算，观察是否存在长尾族被系统性漏收。分类框架与大全命名族横向清单是分族覆盖率的天然口径。绝对相对分族

跨呈现层邻接读物(续)

覆盖度评估的结果需要再走一遍检索闭环：番号搜索是什么从检索侧回看这批清单是否真的可用。

跨呈现层邻接读物

覆盖度评估的盲点常在社区语料里露头：番号吧讨论边界把社区口语层暴露出来的漏收线索归档。

自建与公开清单的对照假设

假设自建清单 A 有 33,600 条，公开清单 B 有 41,200 条，交集为 25,400 条。并集为 33,600 + 41,200 − 25,400 = 49,400 条。Jaccard 系数为 25,400 / 49,400 ≈ 51.4%。若把目标全集估计为 60,000 条，则 A 的绝对覆盖率约 56%，B 约 69%，二者合并后覆盖率约 82%。这些数字为示范值，实际评估需按发行方文档与抽样结果调整。A: 33,600B: 41,200

交并集对照表

下表展示上述假设在四项指标下的读数：

可以看到并集口径的估算才能反映真实成色，任何单一清单都会低估覆盖。此表口径也适用于分类维度设计之后的复评。

分族抽样的四步

为了让评估不被主力族群拉偏，可以采用分族抽样。第一步是按命名族分层，用大全命名族横向清单划分；第二步在每族抽 3%–5% 条目做交集比对；第三步以族为单位计算各自 Jaccard，观察分布；第四步把偏低的族列入待补齐清单。示例观察中，尾部命名族的 Jaccard 常在 20% 以下，是补齐的主要来源。

覆盖率与新鲜度的权衡

覆盖率与新鲜度往往是一枚硬币的两面。为追覆盖率增加抓取源，会引入较多陈旧数据；只保留强源则会牺牲长尾。一个折中方案是把覆盖率目标拆成两档：主档要求前 80% 主力族群的 Jaccard ≥ 60%，副档允许尾部族群的 Jaccard 在 30%–50% 之间。参考更新周期与失效判定可以把新鲜度控制在同一巡检窗口内。

边界与局限

本文只讨论公开清单的组织与评估方法，不涉及具体条目获取途径与许可核验步骤。给出的数值与阈值均为示范值，实际落地需按发行方文档与本地策略调整。