零售退货原因标签长期依赖客服手选，粒度过粗，「尺码不符」与「质量问题」常被混装，难以直接回流到商品与供应链改进。本期实验室尝试把退货工单与用户评论文本对齐，做细粒度归因：将退货原因拆分为款式、尺码、材质、色差、物流破损、预期落差等标签，并为每个判定附上可追溯的评论证据句。
要点一（进展）：在约 1.2 万条已复核退货工单上，模型对一级原因（质量、尺码、物流、主观不满意）的判定与人工复核一致率约 86%；引入证据句后，人工复核单条平均耗时下降约四成。
要点二（下一步）：接入商品尺码表与详情页文案，检验「描述与实物偏差」能否被前置识别，并把归因结果转化为可执行的详情页修改建议，形成从退货数据到页面迭代的闭环。
评论