在实际开发中遇到的一个难题想要咨询各位佬友：

背景

有约十万级用户反馈工单，未来可能增长到几十万、百万级别。目标是识别多个不同用户是否在描述同一个现实事件，并聚合为候选事件。

判断需要综合考虑：

- 事件地点；

- 涉及主体；

- 核心问题；

- 用户是否不同。

典型场景

仅依靠文本相似度无法判断是不是同一个事件。

例如：```
事件地点：某市A路
涉及主体：违停车辆
问题描述：车辆占道停放，影响正常通行
``````
事件地点：某市B路
涉及主体：违停车辆
问题描述：车辆占道停放，影响正常通行
```两条文本和问题类型非常相似，但发生地点明确不同，应当识别为两个事件。

反过来：```
用户是某服务平台从业人员，因设备故障取消任务，
平台判定用户有责并扣除20元，用户认为处理不合理。
``````
用户是同一服务平台从业人员，因设备故障取消任务，
平台判定用户有责并扣除30元，用户认为处理不合理。
```虽然金额不同，但平台、用户身份、问题原因、责任判定和争议机制一致，可能应当聚合为同一个事件。

因此，该问题不是简单的“相似文本检索”，而是：

带有地点、主体、用户身份和业务规则约束的事件解析与聚类问题。

目前Ai尝试的方案

技术流程如下：```
字段提取和标准化
→ 完整内容/核心问题Embedding
→ pgvector HNSW Top-K召回
→ 地点、主体、分类规则过滤
→ Reranker精排
→ 同事件/人工复核/不聚合
→ 事件聚类
```向量主要用于召回候选，Reranker和结构化字段负责进一步判断。

主要难点

- 文本相似不代表同一事件。例如问题描述相同但发生地点不同。

- 同一主体可能同时存在多个不同问题，完整文本向量容易误合并。

- 地址存在别名、层级和模糊表达，完全匹配容易漏召回，向量匹配又可能误判。

- 关系聚类可能出现“A像B、B像C、A不像C”的链式误合并。

- 余弦相似度、Rerank和结构化字段分数无法直接比较，当前权重和阈值主要依赖经验。

- 十万条数据全量两两比较约产生数十亿个关系对，百万、千万级更不可行，必须通过ANN和规则大幅缩小候选。

- 即使每条只召回Top-10，百万级数据仍可能产生千万级候选，Reranker的接口延迟、费用以及向量和HNSW索引空间也是问题。

-