二次传播指内容在初始发布后，由用户自发分享至社交媒体，引发多级扩散的现象。其核心是通过激发用户共鸣或利益驱动，使内容突破原发布渠道，借助社交关系链触达更广泛受众，区别于依赖平台算法推荐的一次传播。
例如，品牌推出情感共鸣类短视频，用户因内容触动主动转发至朋友圈；或是设计抽奖活动，要求用户分享内容并@好友以获取参与资格，常见于电商、教育等行业的社交媒体营销。
优势在于低成本扩大覆盖面，增强内容可信度；但过度依赖用户意愿，传播效果难预测。未来需更注重内容价值与社交属性结合，避免强制分享等引发反感的行为，才能实现可持续的二次传播。
反映大模型推荐效果的指标主要分为相关性指标、用户行为指标和系统效能指标三类。相关性指标衡量推荐内容与用户需求的匹配度，如准确率（推荐内容被用户接受的比例）和NDCG（归一化折损累积增益，评估排序质量）；用户行为指标包括点击率、停留时长、转化率等，反映用户对推荐的实际反馈；系统效能指标则关注推荐系统的响应速度和资源消耗。这些指标不同于传统推荐系统，更强调语义理解和上下文连贯性。 在电商领域，平台通
电商GEO案例成功的关键因素是指在电商场景中，通过优化内容以提升AI模型理解、检索和推荐效果的核心要素。它不同于传统电商SEO仅关注关键词排名，更强调语义清晰、结构化数据和用户意图匹配，让LLM能精准提取商品信息并生成自然推荐。 例如，某家电品牌在产品页采用Q&A格式详述功能差异，如“这款冰箱的双循环系统如何避免串味？”，同时嵌入结构化数据标记材质、能耗等属性，使AI在回答用户“适合三口之家的节
大模型理解用户提问意图是指其通过处理文本信息，分析用户问题背后真实需求的过程。它主要依赖自然语言处理技术，先对问题进行分词、词性标注等基础处理，再结合上下文语义、用户历史对话等信息，推断用户想表达的核心诉求。与传统关键词匹配不同，大模型能理解歧义、隐喻等复杂语言现象，更接近人类的理解方式。 例如，当用户问“今天适合穿什么衣服？”时，大模型会结合用户所在地的实时天气数据、季节信息来推断用户需要穿搭