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
大模型的长期演进方向指的是大型语言模型（LLM）在技术、能力和应用上的未来发展路径，核心在于提升智能水平、扩展功能边界并增强与现实世界的交互能力。它不同于短期优化（如参数规模增加），更注重解决当前模型的根本局限，如推理深度、多模态理解、知识更新和自主性等。 例如，多模态融合是重要方向，未来模型可能无缝处理文本、图像、音频等多种数据，像医疗领域通过分析病历文本与医学影像辅助诊断；另一个方向是持续学
结构化数据是一种标准化格式（如JSON-LD、Schema.org），用于明确标记网页内容的含义，帮助AI模型快速识别关键信息。与非结构化文本相比，它通过预定义标签（如“产品价格”“事件时间”）将数据关系显性化，使LLM更准确理解内容逻辑，而非仅依赖文本猜测语义，这是其区别于传统自由文本的核心价值。 电商网站常使用结构化数据标记商品名称、价格、库存状态，当用户通过AI搜索“XX品牌最新款手机价格