修改了 版本号 ，旧值为 "1"，新值为 "2"。
修改了 需求描述，区别为：

001- SKU出单预测模型A:10大站点有效SKU(范围：暂定去掉可刊登过滤，以文案优化的过滤口径为准)出单概率（30predict_proba）值M（目前0.6），需要支持市场维度配置调用接口：http://convertfbiprediction.zhcxkj.com/Rankingmodel接口文档(下同)：AI全链路项目功能接口（责任人：金平艳）https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_spaceAba出单词推荐模型B：根据A的站点SKU初筛精筛结果排序（逻辑已线上化）筛选前N个关键词（目前200），获取关键词数据特征入参输出后获取 出单概率阈值选O(0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】调用接口：http://convertfbiprediction.zhcxkj.com/KeywordRecommendation刊登次数预测模型C：周刊登总上限 Q（200w）周每SKU的刊登上限 R（50），刊登余量值兜底（每个SKU的刊登余量限制实时跑，若为0则不推荐）出单概率阈值 S（目前为0.6，只保留 Prob_Order >= S 的有效组，在有效组里，选最接近 0.6 的那一组，取它的刊登次数）,低于出单概率阈值，则默认次数为 T（目前10次），设置兜底逻辑(没达到周刊登总上限Q)需要提高Prob_Order的取值区间，最高为 R（默认次数和余量的最低值）站点sku维度记录日志：匹配的可刊登余量、推荐刊登次数初始值+对应Group_ID+对应Prob_Order、调整次数、刊登次数最终值+对应Group_ID+对应Prob_Order调用接口：http://convertfbiprediction.zhcxkj.com/PublicationNumber推送给到刊登和文案优化刊登：模型A主表链接模型B、C；按B的关键词数平均分配给刊登次数（向上取整），执行AI直发通刊登服务文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（向上取整），优化次数设定为 T（可分站点 等级 模型出单A出单概率值区间），执行AI直发通文案优化服务（每个SKU每天推送 U 条）AI全链路项目功能接口（责任人：金平艳）https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space
001+ 需求实现：
002+
003+ 一、新增服务对接 SKU出单预测模型A:
004+
005+ 1、执行频率：每周执行一次即可，周四执行
006+ 2、筛选SKU范围：10大站点有效SKU(过滤停产仿牌禁售即可)，以SKU+站点维度调用数据
007+ 3、调用接口：http://convertfbiprediction.zhcxkj.com/Rankingmodel
008+ 入参：SKU+站点+文档中要求的特征，特征数据来源：https://pm.zhcxkj.com/zentao/story-view-35005.html
009+ 从输出数据中筛选：出单概率（30predict_proba）大于值M（配置项，目前0.6），需要支持市场维度配置
010+
011+
012+
013+
014+
015+ 接口文档(下同)：AI全链路项目功能接口，第一步（责任人：金平艳）
016+ https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space
017+
018+ 4、将符合要求的SKU+站点及其预测值保存到一个业务表中（按站点分表，表中记录周数，SKU，站点和4个预测值），删除超过1个月的数据
019+
020+
021+ 二、串联Aba出单词推荐模型B：
022+ 1、采集组根据后端计算的A数据，进行关键词匹配，筛选前N个关键词（配置项，配置成200）调用AI组接口获取关键词，并保存到数据表，供后端第三步调用。
023+ 输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】
024+
025+ 注：采集组中间处理流程不变，调整数据源，配置项（注意增加了三个配置项）和结果表
026+
027+
028+ 根据A的站点SKU
029+ 初筛精筛结果排序（逻辑已线上化）筛选前N个关键词（目前200），获取关键词数据特征入参
030+ 输出后获取 出单概率阈值选O(0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】
031+ 调用接口：http://convertfbiprediction.zhcxkj.com/KeywordRecommendation
032+
033+ 三、对接刊登次数预测模型C：
034+ 1、筛选范围：本周所有A跑出来的数据
035+ 2、调用刊登次数预测接口，调用接口：http://convertfbiprediction.zhcxkj.com/PublicationNumber
036+ 入参：SKU+站点+文档中要求的特征，特征数据来源：https://pm.zhcxkj.com/zentao/story-view-35005.html
037+ 其余参数按照如下取值：
038+ "minPublishCount":0,"maxPublishCount":50,"steplength":5
039+
040+
041+ AI全链路项目功能接口，第二步（责任人：金平艳）
042+ https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space
043+
044+ 3、返回的结果中包括多条不同概率的预测刊登次数（注意刊登次数可能为小数，按照四舍五入取整数）
045+
046+
047+ 4、计算可刊登次数
048+ 根据每个SKU返回的数据，筛选 出单概率阈值 S（配置项，目前为0.6）只保留 Prob_Order >= S 的有效组，在有效组里，选最接近 0.6 且次数不为0的那一组，取它的刊登次数，注意如果预测次数超过周每SKU的刊登上限 R（配置项，目前为50））,如果所有数据都低于出单概率阈值S，则默认次数为 T（配置项，目前10次）
049+ 如果当前累计的次数已经达到周刊登总上限 Q(配置项，目前为200w），则停止计算。
050+ 将结果记录到次数表，字段包括，SKU+站点，刊登次数、模型选取的对应Group_ID，对应Prob_Order
051+
052+ 5、推送给到刊登和文案优化，注意全部周一0点再推送。
053+ 刊登：模型A主表链接模型B、C；按B的关键词数平均分配给刊登次数（具体看匹配关键词逻辑），推送到直发通刊登任务表。
054+ 文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务，每个SKU每天推送 U 条（配置项 ）
055+
056+ 匹配关键词逻辑：按照关键词顺序进行轮循，直到满足次数要求为止。例如有三个关键词A，B，C，需要刊登/文案优化的次数为10，则关键词list为[A，B，C，A，B，C，A，B，C，A]
057+
058+

001- <p>SKU出单预测模型A:<br/><p>10大站点有效SKU(范围：暂定去掉可刊登过滤，以文案优化的过滤口径为准)<br/><p>出单概率（30predict_proba）值M（目前0.6），需要支持市场维度配置<br/><p>调用接口：http://convertfbiprediction.zhcxkj.com/<br/><p>Rankingmodel<br/><p>接口文档(下同)：AI全链路项目功能接口（责任人：金平艳）<br/><p>https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space<br/><p><br/><br/><p>Aba出单词推荐模型B：<br/><p>根据A的站点SKU<br/><p>初筛精筛结果排序（逻辑已线上化）筛选前N个关键词（目前200），获取关键词数据特征入参<br/><p>输出后获取 出单概率阈值选O(0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】<br/><p>调用接口：http://convertfbiprediction.zhcxkj.com/KeywordRecommendation<br/><p><br/><br/><p>刊登次数预测模型C：<br/><p>周刊登总上限 Q（200w）<br/><p>周每SKU的刊登上限 R（50），刊登余量值兜底（每个SKU的刊登余量限制实时跑，若为0则不推荐）<br/><p>出单概率阈值 S（目前为0.6，只保留 Prob_Order &gt;= S 的有效组，在有效组里，选最接近 0.6 的那一组，取它的刊登次数）,低于出单概率阈值，则默认次数为 T（目前10次），设置兜底逻辑(没达到周刊登总上限Q)需要提高Prob_Order的取值区间，最高为 R（默认次数和余量的最低值）<br/><p>站点sku维度记录日志：匹配的可刊登余量、推荐刊登次数初始值+对应Group_ID+对应Prob_Order、调整次数、刊登次数最终值+对应Group_ID+对应Prob_Order<br/><p>调用接口：http://convertfbiprediction.zhcxkj.com/PublicationNumber<br/><p><br/><br/><p>推送给到刊登和文案优化<br/><p>刊登：模型A主表链接模型B、C；按B的关键词数平均分配给刊登次数（向上取整），执行AI直发通刊登服务<br/><p>文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（向上取整），优化次数设定为 T（可分站点 等级 模型出单A出单概率值区间），执行AI直发通文案优化服务（每个SKU每天推送 U 条）<br/><p>AI全链路项目功能接口（责任人：金平艳）<br/><p>https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space<br/><p><br/><br/><p><br/><br/>
001+ <p>需求实现：</p>
002+ <p><br /></p>
003+ <p>一、新增服务对接 SKU出单预测模型A:</p>
004+ <p><br /></p>
005+ <p>1、执行频率：每周执行一次即可，周四执行</p>
006+ <p>2、筛选SKU范围：10大站点有效SKU(过滤停产仿牌禁售即可)，以SKU+站点维度调用数据</p>
007+ <p>3、调用接口：http://convertfbiprediction.zhcxkj.com/Rankingmodel</p>
008+ <p>入参：SKU+站点+文档中要求的特征，特征数据来源：https://pm.zhcxkj.com/zentao/story-view-35005.html</p>
009+ <p>从输出数据中筛选：出单概率（30predict_proba）大于值M（配置项，目前0.6），需要支持市场维度配置</p>
010+ <p><img src="{557871.png}" alt="" width="500" height="379" title="" /></p>
011+ <p><br /></p>
012+ <p><br /></p>
013+ <p><br /></p>
014+ <p><br /></p>
015+ <p>接口文档(下同)：AI全链路项目功能接口，第一步（责任人：金平艳）</p>
016+ <p>https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space</p>
017+ <p><br /></p>
018+ <p>4、将符合要求的SKU+站点及其预测值保存到一个业务表中（按站点分表，表中记录周数，SKU，站点和4个预测值），删除超过1个月的数据</p>
019+ <p><br /></p>
020+ <p><br /></p>
021+ <p>二、串联Aba出单词推荐模型B：</p>
022+ <p>1、采集组根据后端计算的A数据，进行关键词匹配，筛选前N个关键词（配置项，配置成200）调用AI组接口获取关键词，并保存到数据表，供后端第三步调用。</p>
023+ <p>输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】</p>
024+ <p><br /></p>
025+ <p>注：采集组中间处理流程不变，调整数据源，配置项（注意增加了三个配置项）和结果表</p>
026+ <p><br /></p>
027+ <p><br /></p>
028+ <p>根据A的站点SKU</p>
029+ <p>初筛精筛结果排序（逻辑已线上化）筛选前N个关键词（目前200），获取关键词数据特征入参</p>
030+ <p>输出后获取 出单概率阈值选O(0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】</p>
031+ <p>调用接口：http://convertfbiprediction.zhcxkj.com/KeywordRecommendation</p>
032+ <p><br /></p>
033+ <p>三、对接刊登次数预测模型C：</p>
034+ <p>1、筛选范围：本周所有A跑出来的数据</p>
035+ <p>2、调用刊登次数预测接口，调用接口：http://convertfbiprediction.zhcxkj.com/PublicationNumber</p>
036+ <p>入参：SKU+站点+文档中要求的特征，特征数据来源：https://pm.zhcxkj.com/zentao/story-view-35005.html</p>
037+ <p>其余参数按照如下取值：</p>
038+ <p>"minPublishCount":0,<br />"maxPublishCount":50,<br />"steplength":5</p>
039+ <p><br /></p>
040+ <p><br /></p>
041+ <p>AI全链路项目功能接口，第二步（责任人：金平艳）</p>
042+ <p>https://alidocs.dingtalk.com/i/nodes/2Amq4vjg89gab9Dztp7o79MyV3kdP0wQ?utm_scene=person_space</p>
043+ <p><br /></p>
044+ <p>3、返回的结果中包括多条不同概率的预测刊登次数（注意刊登次数可能为小数，按照四舍五入取整数）</p>
045+ <img src="{557880.png}" alt="" /><p><br /></p>
046+ <p><br /></p>
047+ <p>4、计算可刊登次数</p>
048+ <p>根据每个SKU返回的数据，筛选 出单概率阈值 S（配置项，目前为0.6）只保留 Prob_Order &gt;= S 的有效组，在有效组里，选最接近 0.6 且次数不为0的那一组，取它的刊登次数，注意如果预测次数超过周每SKU的刊登上限 R（配置项，目前为50））,如果所有数据都低于出单概率阈值S，则默认次数为 T（配置项，目前10次）</p>
049+ <p>如果当前累计的次数已经达到周刊登总上限 Q(配置项，目前为200w），则停止计算。</p>
050+ <br /><p>将结果记录到次数表，字段包括，SKU+站点，刊登次数、模型选取的对应Group_ID，对应Prob_Order</p>
051+ <p><br /></p>
052+ <p>5、推送给到刊登和文案优化，注意全部周一0点再推送。</p>
053+ <p>刊登：模型A主表链接模型B、C；按B的关键词数平均分配给刊登次数（具体看匹配关键词逻辑），推送到直发通刊登任务表。</p>
054+ <p>文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务，每个SKU每天推送 U 条（配置项 ）</p>
055+ <p><br /></p>
056+ <p>匹配关键词逻辑：按照关键词顺序进行轮循，直到满足次数要求为止。例如有三个关键词A，B，C，需要刊登/文案优化的次数为10，则关键词list为[A，B，C，A，B，C，A，B，C，A]</p>
057+ <p><br /></p>
058+ <p><br /></p>

修改了 版本号 ，旧值为 "2"，新值为 "3"。
修改了 需求描述，区别为：

023- 输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】
023+ 输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1（配置项，目前为0.1）~O（配置项，目前为0.5，与前面的O是一个配置）（即0.1-0.5）降序取P（配置项，目前为10）个【该逻辑可能会持续变化】

023- <p>输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1~O2（0.1-0.5）降序取P（10）个【该逻辑可能会持续变化】</p>
023+ <p>输出后获取 出单概率阈值选O(配置项，目前为0.5)以上，若关键词小于P(10)个,取O1（配置项，目前为0.1）~O（配置项，目前为0.5，与前面的O是一个配置）（即0.1-0.5）降序取P（配置项，目前为10）个【该逻辑可能会持续变化】</p>

修改了 版本号 ，旧值为 "3"，新值为 "4"。
修改了 需求描述，区别为：

054- 文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务，每个SKU每天推送 U 条（配置项 ）
054+ 文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务

054- <p>文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务，每个SKU每天推送 U 条（配置项 ）</p>
054+ <p>文案优化：模型A主表链接模型B；按B的关键词数平均分配给优化次数（具体看匹配关键词逻辑），优化次数设定为 T（配置表：可分站点 等级 模型出单A出单概率值区间配置次数），执行AI直发通文案优化服务</p>

修改了 指派给，旧值为 "daibaoshan"，新值为 "zhanghua"。

修改了 所属模块，旧值为 "0"，新值为 "1716"。
修改了 开发组 ，旧值为 ""，新值为 "0"。
修改了 预计工时，旧值为 "1"，新值为 "48"。
修改了 成本 ，旧值为 "500"，新值为 "24000"。
修改了 ROI ，旧值为 "1200.00"，新值为 "25.00"。
修改了 评审次数，旧值为 ""，新值为 "1"。

修改了 评审时间，旧值为 "0000-00-00"，新值为 "2026-06-26"。
修改了 指派给 ，旧值为 "zhanghua"，新值为 "daibaoshan"。
修改了 当前状态，旧值为 "draft"，新值为 "active"。
修改了 由谁评审，旧值为 ""，新值为 "zhanghua"。

修改了 指派给，旧值为 "daibaoshan"，新值为 "zhuhanlin"。

修改了 预计工时，旧值为 "48"，新值为 "56"。
修改了 ROI ，旧值为 "25.00"，新值为 "21.43"。
修改了 成本 ，旧值为 "24000"，新值为 "28000"。

修改了 上线时间，旧值为 "2026-07-16"，新值为 "2026-07-28"。
修改了 计划上线，旧值为 "2026-07-16"，新值为 "2026-07-28"。

修改了 指派给，旧值为 ""，新值为 "zhuhanlin"。

修改了 预计工时，旧值为 "56"，新值为 "72"。
修改了 ROI ，旧值为 "21.43"，新值为 "16.67"。
修改了 成本 ，旧值为 "28000"，新值为 "36000"。

修改了 指派给，旧值为 "zhuhanlin"，新值为 "chengkuan"。

修改了 指派给，旧值为 "chengkuan"，新值为 "zhuhanlin"。

修改了 指派给，旧值为 "zhuhanlin"，新值为 "chengkuan"。

修改了 指派给，旧值为 "chengkuan"，新值为 "daibaoshan"。

修改了 所处阶段 ，旧值为 "projected"，新值为 "tested"。
修改了 设置阶段者，旧值为 "tangke"，新值为 "chengkuan"。

修改了 测试人员，旧值为 ""，新值为 "chengkuan"。

修改了 所处阶段，旧值为 "tested"，新值为 "released"。

修改了 所处阶段 ，旧值为 "released"，新值为 "bepending"。
修改了 设置阶段者，旧值为 "chengkuan"，新值为 ""。

修改了 所处阶段，旧值为 "业务验收中"，新值为 "业务验收通过"。