国际化SEO跨语言实体对齐：hreflang之外的实体一致性与机翻质量

摘要：出海站在某门语言里做不起来，多数时候问题不在hreflang配置，在于搜索引擎和AI没有把你的各语言版本认成同一个实体。译名换一次、术语漂一次，你在那门语言里就多出一家没有历史、没有权威、没人认识的“新公司”。本文不讲标签写法，讲三件事：同一个实体怎么跨语言对齐，机器翻译质量为什么在AI时代直接成为排名与被引因子，以及怎样把“实体一致性”做成翻译流程里的硬闸，避免上线半年后才发现问题再回头补。

保哥这些年给出海品牌做技术诊断，碰到过一个很典型的场景：一家做出海游戏发行的客户，英文站在Google上品牌词、知识面板、AI概览样样齐全，看上去很健康；法语站、日语站却是另一副样子，品牌词搜出来是竞品和论坛，没有知识面板，问AI“这家发行商代理过哪些游戏”，答案是错的。客户第一反应是“hreflang是不是漏了”，查下来hreflang配得规规矩矩，区域投放也没问题。窟窿出在另一层：搜索引擎没有意识到法语站那个名字、日语站那个名字，和英文站说的是同一家公司。

这一层叫实体层，是多语言SEO里讲得最少、代价最高的部分。它和hreflang是两回事，和“多语言AI可见性策略”也是两回事。下面逐层拆开。

跨语言实体与hreflang分别解决什么问题？

先把这两个概念分开。站内已经有一篇把hreflang机制讲透的文章，本文只补它没覆盖的那一层，不重复。

hreflang解决的是“给谁看哪个版本”

hreflang处理的是投放路由：你有英文版、法语版、德语版，hreflang告诉搜索引擎“法国用户来了给法语版，加拿大法语区用户来了给加拿大法语版”。它管版本与受众的对应关系，处理重复内容归并、区域错配、自我竞争这类问题。机制细节包括双向回指、整组失效、canonical冲突、x-default、IP强跳挡住爬虫等，国际化SEO与hreflang完全指南已经按经典自然搜索的实现思路梳理过，这里不再展开。

hreflang全部配对，只能保证“法国用户拿到法语版”。它完全不负责让搜索引擎知道，这个法语版讲的主体和英文版讲的是同一个东西。出海团队常把这两件事混为一谈，很多坑就从这里开始。

实体层崩在哪：一个品牌，三种译名，被当成三家公司

搜索引擎和AI现在理解信息的方式，早已从“匹配字符串”转向“识别实体，再把属性挂到实体上”。一个品牌、一个产品、一个人物、一家机构，在知识图谱里是一个有唯一身份的节点，关于它的事实，包括是谁、做什么、在哪、和谁有关、口碑如何，都挂在这个节点上。语义理解从关键词匹配演进到识别实体的过程，蜂鸟到MUM的语义演变史有专门梳理；多语言实体问题，就是这套机制在跨语言场景下的延伸。

假设你的品牌叫Lumina。英文站写Lumina；法语站的市场团队想做本地化，把它意译成一个法语词；日语站用片假名转写成另一种写法；中文站又起了个中文名。四个站，四个名字，各自积累了一套链接、提及和口碑。搜索引擎看到的并非“一个实体穿了四种语言的外衣”，而是四个看起来彼此无关的弱实体。英文站花十年攒下的权威，一点也传不到其它三个语言，因为在图谱里它们根本不是同一个节点。

这是实体层崩塌的典型形态。它不报错，hreflang工具查不出来，GSC里也没有红字，结果是你在英语之外的每一门语言里，都要从零开始当一家没人认识的新公司。

这篇和站内已有文章的边界

先交代差异，免得读者觉得内容重复。站内那篇hreflang完全指南，讲的是版本投放的标签机制；站内另有讲多语言AI可见性、讲GEO策略为什么出了英语就失效的内容，属于AI可见性的策略诊断，关注“答案里有没有我”。本文是第三个角度，也是最底层的一个：跨语言实体协同的技术机制，即同一个实体怎么在不同语言里被认成同一个，机器翻译质量在其中起什么作用，工程上怎么把它做成可验证的硬闸。

前两篇解决“给谁看”和“看不看得见我”，这篇解决“系统认不认得这是同一个我”。三层叠在一起，才是完整的出海技术SEO；缺了实体这一层，另外两层做得再好也是空中楼阁。

搜索引擎如何完成跨语言实体对齐？

要修这个问题，先得弄清机器靠什么把跨语言的实体对齐。这里靠的全是可观察、可干预的证据链。

实体ID不分语言，但喂给它的证据分语言

知识图谱里的实体ID与语言无关。一个公司实体，无论用英语、法语还是日语描述，理论上都应指向同一个ID。但搜索引擎无法自动得知“Lumina”和那个法语意译名是同一个东西，它需要证据。证据不足时，它默认保守地各算各的，宁可拆成两个实体，也不轻易合并，因为错误合并的代价更大。

出海团队最该记住这个默认行为：跨语言实体合并，举证责任在你。你不主动给足证据，系统就把你的法语站当作孤立的新东西。机器抓取和索引的流程分为发现、抓取、理解、归并，这一套搜索引擎工作原理那篇拆得很细；跨语言实体归并发生在“理解”这一环，也是这一环里最不确定、最依赖外部信号的部分。

跨语言对齐靠哪几条证据链

实践中，帮搜索引擎做跨语言对齐的主要是下面几类信号，按可控程度从高到低排列：

• 结构化数据里的sameAs：每个语言版本的组织实体，sameAs都指向同一组与语言无关的权威标识，包括官方维基数据条目、官方维基百科（须是跨语言互链的同一条目）、官方领英、官方主域。sameAs指向一致，是你能主动提供的最强信号。
• 跨语言互链的百科条目：维基百科同一实体的不同语言版本之间有interlanguage link，维基数据用一个Q编号把它们串起来。如果你的品牌在维基数据有一个干净的条目，各语言维基百科都指回它，搜索引擎做跨语言对齐时几乎会把这组证据当作地基。
• 一致的核心事实：成立时间、总部地点、创始人、官方域名、官方社媒账号。这些事实跨语言必须完全一致，数字和专有名词不能因翻译而漂移。事实矛盾会降低系统合并的置信度。
• 官方域名的语言子结构：同一主域下的 /fr/、/ja/ 子目录，比四个完全不同的域名更容易被认成同一实体的不同语言版本。这是子目录架构在实体层的隐性好处。
• 双语并置与官方声明：官网页脚、关于页用多语言并排写明“本品牌在各市场的名称”，并保持品牌指代一致，这些属于辅助证据。

有一点与直觉相反：hreflang本身不是跨语言实体对齐的强信号。它告诉系统“这两个URL互为语言版本”，可网页互为语言版本，不代表网页所讲的主体实体会被合并。很多团队以为hreflang配好，实体就自动合并，这是最常见的认知错误。hreflang描述网页级的版本关系，sameAs与一致事实描述实体级的身份关系，两者作用在不同层。

一个真实反推：法语站把品牌名意译，图谱被拆成两半

保哥经手过一个跨境美妆品牌的诊断，过程能把机制说清楚。它的英文品牌是个生造词，辨识度很高；进入法国市场时，本地代理认为法国人“读不顺”这个词，自行在法语站、法语社媒、法语公关稿里全部换成一个在法语里有具体含义的词。两年后客户发现，法语市场投了不少品牌广告和KOL，法语品牌词的自然搜索首页却有一半是无关内容，Google没有给法语版任何知识面板，而英文站的知识面板早已稳定存在。

拆开证据链看：英文实体的sameAs指向维基数据和英文维基；法语站的结构化数据由本地代理用建站工具默认生成，组织名填的是法语意译名，sameAs一个没填；法语公关稿、法语KOL都在用意译名，英文实体一侧没有积累任何跨语言提及；维基数据条目只有英文标签，没有法语别名。

搜索引擎手里能证明“这个法语词指的就是那个英文生造词品牌”的证据几乎为零，于是它做了最保守的选择：当成两个东西。客户投在法语市场的钱，有相当一部分用来培育了一个和主品牌图谱不相连的弱实体。

修复没有动hreflang，hreflang一直是对的。修的是实体层：在维基数据补全法语别名并标注also known as，两个语言版本的组织结构化数据sameAs全部指向同一组权威标识，法语关于页写明“本品牌国际名称为X”，推动法语百科条目与英文条目通过维基数据Q编号互链。这套动作做完，法语市场用了一个多季度才恢复，而且是逐步恢复的，说明它走的是实体合并这条慢路，与改完标签即生效的情况不同。

机器翻译质量如何影响实体识别？

这是本文与现有文章区别最大的论点：在AI时代，机器翻译质量已经超出“读起来顺不顺”的体验范畴，它直接作用于实体识别和被引正确率，是排名与被引因子。具体机制有以下几条。

译名漂移：同一篇文章里品牌名出现三种写法

纯机器翻译最隐蔽的破坏，是专有名词不稳定。同一个品牌名、产品名、人名，机翻引擎在不同句子里可能处理得不一样：有时音译，有时意译，有时保留原文，有时做词形变化（很多语言的名词有性、数、格变化，机翻会按语法改写专有名词）。结果同一篇法语文章里，你的产品名有三四种写法。

对搜索引擎和AI来说，关于这个产品的信号被分散到几个不同的字符串上，没有一个攒够权重，实体识别的置信度随之下降。这属于信号稀释，影响不止于体验：你以为发了一百篇法语内容在喂同一个实体，机器看到的是三四个互不相干的弱实体在分食这些内容。锚文本过度优化时“信号被分散到多个变体上”的稀释逻辑，在跨语言译名漂移里又出现了一次。

术语不一致会毁掉主题一致性信号

实体识别不只看名字，还看名字周围的属性词和关系词。一个工业自动化品牌，英文站围绕它密集使用一组精确的行业术语；机翻成德语后，如果同一个核心术语在不同页面被译成不同的德语词，搜索引擎在德语侧重建这个实体的“主题指纹”时，拿到的是一团模糊的信号。主题一致性是实体权威的重要支撑，术语不一致会直接削弱它。所以纯插件式动态机翻的站，德语、日语侧的主题权威几乎建不起来：名字也许碰巧译对了，周围的语义场却是散的。

把回译当质量闸，而不是读一遍觉得通顺

判断翻译会不会伤及实体，只靠人工通读不够，通顺的译文照样可能把品牌名意译了、把关键术语换成了同义词。更工程化的做法是回译比对：用另一套引擎把译文翻回源语言，不看整体语义，专门检查三类内容，即专有名词有没有变、核心术语有没有漂、关键事实数字有没有错。回译结果里品牌名变了，说明正向翻译已经在拆你的实体。这个检查点可以脚本化、可以放进流水线，比“找个母语者读一遍，感觉还行”可靠得多。

AI抽取时，劣质翻译让模型把属性绑错实体

这一条代价最大。大模型生成答案时，会从语料里抽取“实体—属性—关系”，再组织成回答。劣质机翻会造成两类严重错误。一类是指代断裂：译文里的代词和指代关系译乱了，模型分不清这段在说哪个主体，属性就可能挂到错误的实体上。另一类是实体混淆：品牌名被意译成一个有通用含义的词，模型把这个通用词相关的语料知识和你的品牌混在一起，答出来的“你”并不是你。

前面那个游戏发行客户的日语答案出错，原因就在这里：日语内容里发行商名和被代理游戏之间的关系，在机翻里指代错乱，模型把别家代理的游戏算到了它名下。这种错误在传统蓝链时代最多让排名差一些，到了AI答案时代，就成了以高置信度、公开地把错误事实告诉用户。

非拉丁字母语言：一个名字能裂成十种写法

译名漂移在拉丁字母语言之间已经够麻烦；目标市场一旦使用非拉丁字母，比如阿拉伯语、俄语、日语、韩语、泰语，问题会再严重一级，原因是转写没有唯一答案。一个英文品牌名转写成俄语西里尔字母，按发音可以有好几种合理拼法；转写成日语片假名，要不要长音符、促音怎么标，各家习惯不同，一个名字就能写出四五版；转写成阿拉伯语，短元音通常不写出来，同一个名字能对应一大批辅音骨架相同的变体。

没有官方指定的写法，市场团队、本地代理、媒体、用户就会各写各的。搜索引擎面对的，是同一个实体在那门语言里散成十几个互不关联的字符串，每一个都攒不够权重。

更麻烦的是，这些语言的用户搜索时本身就会用多种写法，靠堆内容覆盖所有变体不现实，只会把信号摊得更薄。正确做法反过来：官方指定一个规范转写，把它作为不可翻译词锁死，官网、结构化数据的name、社媒账号名、应用商店名、公关口径全部统一到这一个写法，其余高频变体放进alternateName和实体登记表的别名列，让系统明确知道它们指向同一个实体。

某出海游戏发行商进入俄语市场时就在这里吃了亏：早期俄语社区和媒体用了三四种西里尔转写，官方自己也没统一，俄语品牌词的自然结果首页长期被同人维基和论坛占据，一直没有知识面板。后来的修法没有靠堆外链，而是定下一个官方转写，在维基数据补齐俄语别名，所有官方渠道一次性统一，再等系统重新积累置信度，品牌词首页才逐步拿回来。转写这一层不统一，后面的sameAs、回译闸做得再细，地基也不稳。

为什么AI搜索放大了跨语言实体错位的代价？

同样是实体没对齐，十年前和现在的后果差了一个量级。

传统SEO里译名乱只是稀释，AI时代是直接被引错

在蓝链时代，实体没有跨语言对齐，后果是法语品牌词排名弱一点、没有知识面板、点击少一截，属于程度问题，用户还能自己点进官网核实。到了AI答案时代，用户问一句，模型直接给出高置信度的结论，用户没有自行纠偏的环节。实体绑错，等于让AI用权威口吻替你说错话。链接建设正从“拿链接”转向“被正确引用”，下一个时代拼的是被AI引用对这个趋势讲得很清楚；跨语言实体没对齐，你在非英语语言里连“被正确引用”的资格都没有，模型要么不引你，要么把你引成别人。

训练语料的语言不对称，放大了弱语言的脆弱

主流大模型的训练语料里，英语占压倒性多数。由此带来一个结构性后果：你的英文实体即使证据链有些瑕疵，庞大的英文语料也能帮模型“纠错”；小语种这边语料本来就少，模型对你这个实体的认知几乎完全依赖你自己产出的那点内容。这时机翻质量差、译名漂移，没有大量优质语料去冲淡错误，劣质信号的占比反而更高。

语料越稀薄的语言，实体一致性的边际价值越高，这和很多人“小市场随便机翻一下就行”的直觉正好相反。越是小语种，越要认真做。

一个跨境3C客户的实测：英文答案有它，西语答案张冠李戴

一家做跨境3C配件的客户做过一轮对照：同一组产品类问题，用英语问主流AI，品牌和产品都被正确提及，参数基本准确；用西班牙语问同样的问题，AI要么完全没提到它，要么把它某款旗舰产品的参数说成了另一个西语品牌的。复盘发现，西语站是早年用翻译插件动态生成的，产品名在不同页面写法不一，核心规格术语译法不统一，结构化数据里的产品实体sameAs没有指向任何与语言无关的标识。

模型在西语语境里既没有稳定的实体锚点，又被漂移的术语带偏，就近抓了一个名字相近的西语品牌的属性。这个客户后来没有去堆西语外链，先做实体地基：统一产品命名，重建结构化数据的sameAs，把关键规格做成跨语言一致的事实块。被引正确率的回升，比任何外链动作带来的变化都明显。

跨语言实体协同的落地架构怎么搭建？

机制讲完，下面给一套能放进流程的落地架构。核心思路是：把“实体一致性”从上线后的人工校对，前移为翻译流程里的硬约束。

先建一张实体登记表

所有工作的地基，是一张全公司唯一、受版本控制的实体登记表。它是技术SEO与本地化团队共用的契约，不是营销文档。每个核心实体，包括品牌、产品线、关键人物、关键技术名词，至少登记以下几列：

这张表的价值不在复杂程度，在于它是唯一真相源。区域团队想把品牌名本地化，可以讨论，但必须改这张表、走审批，不能各自在自己的站上悄悄换掉。前面游戏客户和美妆客户踩的坑，根源都是没有这张表，区域团队各自为政。

结构化数据的语言处理别想当然

几个容易做错的点单独列出。第一，组织或产品实体的name用当地官方译名，规范名和其它已知写法放进alternateName，让系统知道这些都是同一实体的别名。第二，sameAs在所有语言版本里指向完全相同的一组与语言无关的标识，不能法语站指向法语维基、英文站指向英文维基就算完成，要一起指向维基数据那个Q编号和官方主域。第三，结构化数据的inLanguage等语言标注要和页面实际语言一致，别让英文模板漏进法语页。第四，一个实体跨语言的关键数值事实必须逐字一致，翻译流程不得改动结构化数据里的数字和专有名词。

机翻、译后编辑、人工翻译：按市场分层，别一刀切

要把实体一致性做好，绕不开一个现实选择：用纯机翻、机翻加译后编辑，还是人工翻译？这件事应按市场分层决定，实际是用预算换实体风险，判断维度有三个。一是这门语言的语料稀薄程度，越稀薄，劣质翻译越缺少大量优质内容帮模型自我纠正，越应偏向人工。二是市场的商业权重，真正贡献营收的核心市场，其关于页、产品规格页、品牌叙事页值得用人工或重度译后编辑。三是内容类型，法律条款、技术规格、品牌故事这类一字之差就会出大问题的内容，不能交给裸机翻；帮助文档、长尾资讯可以纯机翻，前提是术语库已经锁定。

可以直接套用的分档逻辑如下：核心市场的核心页，走人工翻译或母语译后编辑，逐页过回译闸；核心市场的长尾页和次要市场的核心页，走机翻加译后编辑，强制锁定术语库，再用自动专名扫描兜底；次要市场的长尾页可以纯机翻，但不可翻译清单和官方译名必须已注入引擎，上线前必须通过自动一致性校验，否则宁可不上。

这里有个反直觉的点：很多团队把预算几乎全部投在核心市场的内容产量上，次要市场则全程用裸机翻，任其自生自灭。这等于把实体地基打在最不稳的地方，因为次要市场往往就是小语种，语料最少，最经不起译名和术语漂移，省下的翻译费换来的是这些市场的实体长期立不住。预算第一优先级要保的是每个市场里实体名和核心术语只有一个写法、不许漂移，产量排在后面。想清楚这一条，分层方案就能推出来，剩下的是执行。

把实体一致性做成翻译流水线的硬闸

这和站内自动化工程那篇的思路一致：依赖人事后校对的环节迟早会失守，要做成自动闸。可以设置这样几道：翻译前，把实体登记表里的不可翻译清单和官方译名注入机翻引擎的术语库，强制锁定；翻译后，自动扫描译文，核心实体名一旦出现登记表之外的写法，就报错拦截；关键页做回译比对，专有名词或核心数字有变化就标红，转人工复核；上线前，自动校验各语言版本结构化数据的sameAs是否指向同一组标识。

把这些检查放进发布流程，才能避免“上线半年才发现法语站把品牌名意译了”。这种事保哥见过太多次，几乎无一例外都是因为没有闸，全靠人记得。道理和按软件工程纪律做SEO自动化相同：靠人工维护的检查，迟早会在某次赶工时被跳过，实体一致性闸正属于最该工程化、最不该依赖记性的那一类。

hreflang和实体两层，各管各的别混用

回到开头的区分，落地时要记住：hreflang继续按版本投放的逻辑配置，该双向回指就双向回指，该设x-default就设x-default，它不需要、也不应该承担实体对齐的职责。实体对齐走sameAs、一致事实、跨语言百科互链、术语库这条线。两层并行，分别验收：hreflang看版本投放有没有错配；实体层看各语言的知识面板、品牌词SERP和AI各语言答案。混用两层，比如指望hreflang配好后实体自动合并，或者反过来用sameAs解决区域投放，是这套体系里最常见的设计错误。

哪些多语言SEO做法会拆散实体？

下面集中列出高频反模式，每一条都有真实的翻车案例。

一个出海连锁酒店集团的翻车

再补一个其他行业的例子，说明踩坑的不只是DTC。一家出海的精品连锁酒店集团，在六个国家有站点，六个本地团队各自外包建站和翻译。集团的英文品牌在国际客源中认知度不错，但西语站、日语站在当地的品牌搜索表现都很弱，问AI“这个集团在某城市有没有店”，经常漏答或把门店清单答错。

诊断结果是：六个站对集团名有四种写法，门店地址里的城市名、街道名在不同语言里译法不统一（地址也是实体属性），sameAs各指各的，集团这个实体在搜索引擎眼里基本是六个互不知道彼此存在的弱节点。这个客户的修复重点放在统一口径，没有放在内容产量上：统一集团与门店命名，对齐地址的跨语言事实，sameAs全部指向集团的维基数据条目与官方主域。这类本地属性强的业务，实体不对齐的损失尤其大，连“在哪有店”这种最基础的属性都会被打散。

如何检测跨语言实体是否已经对齐？

最后给一套可以自己执行的跨语言实体体检，不依赖任何收费工具。

一套跨语言实体体检清单

• 逐语言搜品牌词：在每个目标市场用当地语言搜你的品牌名，看首页是不是你自己的资产、有没有知识面板、有没有被竞品和论坛占位。某门语言没有知识面板而英文有，基本可以当作实体没对齐的强信号。
• 逐语言问AI：用每门语言向主流AI问三类问题：你是谁、你做什么、你和某竞品相比如何。重点看小语种答案有没有张冠李戴，有没有把别家的属性挂到你头上。
• 查维基数据与跨语言百科：你的实体在维基数据有没有干净的条目，各语言别名是否齐全，各语言维基百科是否通过同一个Q编号互链。机器做对齐时几乎会把这组证据当作地基。
• 抽查结构化数据：随机抽几个语言版本的页面，核对组织或产品实体的sameAs是否指向完全相同的一组与语言无关的标识，name与alternateName是否用对。
• 专名漂移扫描：对每门语言的站内内容统计核心实体名的写法，同一实体出现两种以上写法即为漂移，按出现量排定修复优先级。
• 核心事实一致性：跨语言抽样比对成立时间、总部、关键数字等事实，发现矛盾立即修复，这类矛盾会在不知不觉中压低合并置信度。

对齐生效要多久，先把预期管理好

还要提前说明一个限制：实体合并见效慢，不像改标签那样当天生效。前面美妆客户的法语市场用了一个多季度才恢复，而且是逐步恢复的。证据链补齐后，搜索引擎要重新抓取、重新评估，积累到足够的置信度才会真正合并两个节点，中间还夹着核心更新的节奏。所以这件事要当作地基工程提前做，不能等到大促前一个月才想起来。

在各类SEO改动中，实体类改动本来就属于见效最慢的一档，不像标题改写那样当周可见，要等系统重抓、重估、积累置信度，跨语言合并又比单语言慢一层。建议提前规划，按季度看趋势，不必按周焦虑。

出海要做的，不只是把内容翻译成多门语言，还要让同一个实体在多门语言里仍被认成同一个。前者属于翻译工程，后者才是SEO的工作。两者之间的差距，是大多数出海站在非英语市场长期做不起来的真正原因。

常见问题解答

hreflang全配对了，为什么实体还会跨语言被拆开？
hreflang只声明网页互为语言版本，负责版本投放，并不声明网页讲的主体是同一个实体。实体合并依靠sameAs、一致事实和跨语言百科互链，与hreflang分属两层，配好hreflang不会让实体自动合并。

品牌名到底该不该做本地化意译？
原则上不该。品牌名意译是图谱被拆成多个弱实体的头号原因，英文积累的权威传不过去。确实需要本地叫法时，要在实体登记表里登记为别名、写进alternateName，并保证sameAs跨语言一致，不能各站私自替换。

纯机器翻译做多语言站，实体上最大的风险是什么？
最大的风险是专有名词和核心术语漂移。同一篇文章里品牌名、产品名出现多种写法，信号被分散到多个变体，实体识别置信度随之下降；小语种语料稀薄，缺少大量优质内容来纠错，风险反而更高。

机器翻译质量真的会影响AI引用准确率吗？
会，而且影响是直接的。劣质翻译会造成指代断裂和实体混淆，大模型抽取实体属性时会把属性挂错，导致非英语答案张冠李戴。语料越稀薄的语言，这类错误占比越高，也越难自行纠正。

没有维基数据条目，跨语言实体还能对齐吗？
能，但难度更大。先把可控的部分做满：各语言结构化数据的sameAs统一指向官方主域与官方社媒，核心事实跨语言完全一致，品牌名零漂移。维基数据是强证据，但不是唯一证据，自有资产的一致性是你随时可以调整的部分。

跨语言实体对齐做完，多久能看到效果？
通常以季度计，而且是逐步显现的。系统要重新抓取、重新评估、积累置信度后才会合并节点，还受核心更新节奏影响。它属于见效最慢的一类SEO改动，要当作地基工程提前规划，按季度看趋势，不按周看。

权威参考资料