零售退货单上「质量问题」「不喜欢」两类长期占比过半，信息量极低，团队难以判断该改商品、改详情页还是改物流。本期实验把退货归因拆成两层：先做售后原因的多标签分类，再把原因映射为可执行的责任标签（描述不符、尺码偏差、运输破损、期望落差等）。
做法上，先用大模型对退货工单、客服会话与商品评论生成弱标签，人工仅抽检校正；再蒸馏为可离线部署的小模型，推理时拼入商品属性、尺码表与批次号。
要点：
· 进展：在服饰、家居、小家电三个类目约 12 万条工单上，一级原因 macro-F1 0.79，责任标签召回 0.71，优于现有枚举规则基线；错分集中在「期望落差」与「描述不符」的边界。
· 下一步：接入破损照片与仓内记录做多模态校验，并把高频责任标签回流至详情页与选品侧做小流量验证。
评论