链分类底座 · P0 交付说明

阶段二"公链×年度研报"的地基：对全部融资项目文件做链归属分类，产出可查询、可重跑、可审计的结构化主数据集。
原始语料只读，产出仅新增到 wiki/tools/output/。

交付物

文件	内容
`wiki/tools/output/projects_master.json`	主数据集：3,138 项目（已分类 1,917 / 未分类 1,221），每项含链、置信度、赛道、融资额、领投方、年份、原文路径、信号证据
`wiki/tools/chain_classifier.py`	可重跑分类脚本（v4）
`wiki/tools/output/sample50_verification.md`	50 条人工核对清单（验收用）
`wiki/tools/output/classification_report.txt`	每次运行的统计报告

主数据集 schema

{
  "name": "项目名", "year": 首见年份,
  "chains": ["主链", "次链"], "confidence": 0.0-1.0,
  "sector": "赛道", "amount_usd": 融资额约数, "lead_investor": "领投方",
  "sources": ["原文相对路径"], "aliases": ["名称变体"],
  "signals": [{"chain","weight","pat","snip"}]  // 分类证据
}

分类方法（加权信号 + 段落级作用域）

权重 ctx 10 / self 6 / btc 8 / other 6 / win_dir 3 / head 1.2；置信度 = top_w/total × (1-次链惩罚)，仅弱信号封顶 0.55。
段落级窗口：项目名所在整段（最多 3 段）作为信号范围，聚合 AI 报告的 roster 行 / 相邻项目不串扰。
三重过滤：① 投资方语境抑制（NEAR生态基金不算 NEAR 归属）② 清单行剔除（研究对象包括：…以太坊2.0, 侧链, 闪电网络…是研究范围，不是归属）③ 系词主语归属（RAIN为部署在Arbitrum的主语是 RAIN，不是 Enlivex）。
专项规则：以太坊 L2 父链改道（…扩容L2 Base→Base）、未来意图降权（计划部署到比特币生态）、BTC 生态标记词边界（Ordinals/铭文/Runes，排除 @句柄与 Bitcoin Magazine 媒体名）、人物目录跳过。
名称变体合并：大小写/空格/点变体（Ord.io↔Ord io、Zoth↔ZOTH）合并为 1 项，保留置信度最高者，共合并 130 组。

本轮修复记录（v4-final）

问题	根因	修复
Augur→Bitcoin 0.83（误）	聚合文件"研究对象清单"里的"闪电网络"被计入 btc 标记	btc 标记跳过 roster 清单行 → Augur→Ethereum 0.3 ✓
Ord io 掉到 0.55 / 重复	空格 vs 点两种拼写产生两条记录，弱记录窗口匹配失败	名称变体合并 → Ord.io→Bitcoin 0.96 ✓
44 项目→Bitcoin（误）	聚合报告开头"整合来自…Bitcoin Magazine…等媒体的信息"媒体名被当归属	直配/head 排除 `Bitcoin Magazine/比特币杂志`
SquadsProtocol→Sui/Aptos 0.3（误）	变体合并选错幸存者（AI 报告 roster 噪声权重高）	幸存者排序改置信度优先 → Solana 0.55 ✓
t1 protocol / usdx.money 误归	同上	→ Ethereum 1.0 / BNB Chain 0.55 ✓

诚实声明

2023 年融资数据整体缺档（语料无 2023 专题文件夹），该年项目少。
分类是概率判断：多链项目、链上 vs 通用基建（钱包/支付）易误标；低置信度（<0.6，共 1,515 项）留原文路径可回溯，P2 出报告时按置信度分层引用。
融资额为新闻转述约数，非尽调口径。
已分类 1,917 / 3138：未分类 1,221 项多为链无关信息（融资主体非链上项目）或正文无链信号。

复跑

python3 wiki/tools/chain_classifier.py

重跑全量约 1-2 分钟（本地），输出覆盖 projects_master.json。50 条核对样本用 wiki/tools/output/sample50_verification.md，≥90% 通过后即达 P0 验收线。