提及率（Mention Rate） Mention Rate
提及率（Mention Rate）统计的是：在固定的提示词集内，AI 回答正文中出现目标品牌名的回答占比。它回答的问题是“AI 说到你了吗”——这是 GEO 监测的第一指标，因为先被“说到”，才谈得上被引用、被推荐。认知先于信源：一个从未在回答正文中被提及的品牌，不可能指望用户通过引用列表发现它。
口径怎么定：分子、分母与提示词集
一个可用的提及率必须钉死三个要素。分母是提示词集内的全部回答（包括没有提及的回答），不是“抽到提到的那部分”；分子是正文出现品牌名的回答数；提示词集本身要固定版本，覆盖品类词与场景词两类问法，改动集子就等于换了考试卷，前后数据不可比。秀虎GEO 对五平台每题自动统计提及与情感，即此指标的产品化，集子与版本的纪律在 秀虎GEO 测量方法论 里有完整定义。
品牌名匹配是第一个失真点：要处理简称、错写、英中混写——中文名、英文名、缩写与常见误拼要归一成同一个实体，否则分子被系统性低估。名字本身是常用词的品牌还要防反向失真：普通词命中会虚增提及，需要上下文校验兜底。
还有一类边缘情形是“提及了但没提全”：回答里出现的是品牌旗下产品名或子品牌名，而没出现主品牌名。是否计入、如何折算，要在口径里预先写死；含糊处理的结果就是同一个数字在不同月份装了不同的东西。
提及是概率行为，不是开关行为。同一提示词今天问与明天问，引擎的检索与生成都有随机性，单次结果没有统计意义；把采样次数固定下来（每个提示词多次提问），用“出现提及的提问比例”而不是“某一次有没有”来读数，比率才会稳定。波动区间本身也是信息：提及率在临界值附近震荡，说明品牌处在进入与落出的边缘，最值得投入。
时间窗口同理。周环比与月环比要分开看，短窗口对引擎侧调整敏感，长窗口对内容动作敏感；把战术上线的时间点标在趋势图上，归因才有抓手。没有版本化提示词集与固定采样次数的监测，画出来的都是噪音。
光数数量不够：情感要同步分类
提及率必须与情感分类同步读，因为负提及与中性提及不是资产。被 AI 以负面语境点名，数字上同样计入“被提及”，价值上却是负债；中性提及则说明品牌只是被顺带列出，没有进入推荐位。口径建议正、中、负三分类，负提及单列告警，把“提及量”拆成“有效提及量”再看趋势。
场景也影响解读。同样是正面提及，出现在“推荐清单”里与出现在“风险提示”里，含义完全不同。监测端至少要把提示词按意图分组（选购、比较、评测、口碑），分组读数才不会互相污染。
情感判读还要防“技术上负面、语义上中性”的误伤：限制条款、适用条件、注意事项类表述常被简单情感模型判为负面，实际只是行业常规表述。人工抽检一批分类样本校准阈值，是情感口径上线前的必要动作。
提及率高、引用率低意味着什么
与 引用率（Citation Rate） 分开看，是本指标的精髓。AI 可能正文提及你，但引用列表给竞品——模型“知道你”，却把信源地位让给别人。这种认知与信源的分离是优化的重要信号：说明品牌有认知存量，缺的是作为信源的可引材料。动作方向因此明确：补评测、补参数、补第三方背书，把“被知道”兑换成“被引用”；反过来，引用率尚可而提及率低，说明内容在被机器搬运，品牌本身没有进入语义记忆，问题出在品牌侧而非内容侧。
分离读法还能定位阶段。品牌刚起步时提及率与引用率往往同时偏低，先攻认知（评测、社区）；有了认知存量后若引用率仍不动，问题转向信源材料（参数、数据、结构化内容）。两个比率的相对变化，就是阶段切换的信号灯。
证据侧的支持也清楚：站内留档的相关性研究显示，品牌全网提及量与 AI 可见度的相关性远高于外链（数据卡），这正是我们把“被提及”而非“被链接”放进第一指标的理由。制造提及的正道——评测覆盖、社区参与、原创数据发布——在 品牌提及（Brand Mentions） 卡里另有展开，此处不重复。
竞品对照与补提及的三个方向
单看自己的提及率，很难判断一个百分比算高还是低——它取决于品类问法结构与头部品牌的密度。把同题的竞品提及一起统计，构成“提及份额”式的对照读法，数字立刻有了刻度：领跑者、追随者、缺席者的位置关系，比绝对占比更能指导预算。
对照还暴露结构差异。有的品牌总出现在“对比类”问法里（被拿来比较，常伴贬义语境），有的集中在“推荐类”问法里（进入清单），两类提及的商业价值完全不同。按问法意图分组做竞品对照，能看出品牌在用户心智里的角色，这比一个总分更接近真相。
第一个方向是评测覆盖：让品牌进入第三方评测、榜单与横向对比内容，这类页面是引擎组织“推荐类”答案的常用素材。第二个方向是社区讨论：专业社区与问答里的真实讨论制造语义多样的提及，场景丰富度比数量更值钱。第三个方向是原创数据被转述：发布独家统计，让媒体与博主在引用时带上品牌名——这也是三个方向里唯一同时改善引用率的。
反方向的动作清单同样重要：买提及、刷讨论、批量注册账号自问自答，短期或许抬数字，但制造的是低质与可疑的提及，情感与场景都会恶化。相关不等于因果的警示在这里同样适用：提及的价值在语义与场景，不在数量，冲量的性价比从来都是负的。
在指标族里的位置与读数纪律
提及率处在 GEO 指标族的最底层：往上是 AI SOV（AI 声量份额） 与 Share of Model（模型份额） 这类份额视角的聚合指标，往旁是引用率这类信源指标。底层指标先稳住，份额指标才有解释力——这也是为什么入门团队的第一块报表应该是“分引擎提及率+情感”，而不是一上来就追模型份额。
另一个常被问到的区别是提及率与“品牌搜索量”。搜索量量的是用户主动找你，提及率量的是 AI 主动说起你；两者都是需求的影子，但口径与数据源完全不同，混进同一张报表会互相污染。各归各的线，交叉着看。
与舆情监测的“声量”也要分家：舆情量的是全网讨论总量，提及率量的是特定引擎在特定问法下的回答行为，两者样本空间不同，趋势可以互证，数字不能相加。把舆情报表直接当 GEO 成果汇报，是最常见的张冠李戴。
读数纪律最后强调一次：单次提问的提及是一个有无问题，多次采样后才是比率；不同引擎、不同提示词集之间的数字不可直接比较。任何“提及率”都必须带引擎、时间窗口与提示词集版本三个定语，否则没有可比性，也不配进决策报表。