Гибридное сопоставление — это подход к идентификации и категоризации товаров, который сочетает в себе несколько методов сопоставления — точный поиск идентификаторов, таких как GTIN или MPN, наряду с нечетким сравнением заголовков, изображений и описаний на основе атрибутов — вместо использования одного метода. Он применяется всякий раз, когда структурированные идентификаторы отсутствуют, противоречивы или ненадежны в каталоге, что достаточно часто встречается в реальных товарных фидах, чтобы ни один метод сопоставления сам по себе не был эффективным. В результате получается процесс сопоставления, который заметно более устойчив к неполным или некорректным данным о товарах, чем чистое сопоставление по идентификаторам.
Почему гибридный подбор важен для качества данных о продукте
Во многих реальных каталогах отсутствуют корректные GTIN или MPN для каждого товара — товары ручной работы, продукция под собственной торговой маркой, восстановленные товары и длинные SKU от небольших производителей часто полностью их не содержат, что нарушает работу любой системы сопоставления, зависящей исключительно от точных идентификаторов. Торговые платформы и системы сравнения по-прежнему должны правильно группировать эти товары, сопоставлять их с существующими записями каталога или удалять дубликаты объявлений у разных продавцов, поэтому использование гибридного сопоставления позволяет сохранить работоспособность фида даже в случае сбоя системы с корректными идентификаторами. Это напрямую влияет на производительность фида: товар, который не может быть правильно сопоставлен, рискует быть помечен как нежелательный, неправильно оценен по сравнению с конкурентами или показан с ухудшенными расширенными результатами, чего можно избежать, если логика сопоставления имеет резервный вариант, а не жестко зависит от идеальных данных.
Как работает гибридный подбор
Гибридная система сопоставления обычно сначала пробует строгий путь — поиск по GTIN, MPN или по названию бренда и идентификатору — и возвращается к нечеткому сравнению заголовков, атрибутов и изображений только в том случае, если это не удается или не дает достоверного совпадения. Перед любым сравнением обычно необходимо выполнить нормализацию, поскольку нечеткое сопоставление по непоследовательному регистру, сокращениям или форматам единиц измерения дает ненадежные результаты; системе, сравнивающей 5 фунтов с 5 фунтами, необходимо нормализовать их до одинаковой формы, прежде чем оценка сходства будет иметь какой-либо смысл. Более продвинутые реализации также используют структурированные справочные данные, напоминающие граф знаний, используя отношения категорий и известные пары бренд-атрибут для уточнения совпадений, которые были бы неверны при сравнении только заголовков.
Пример: Подбор гибридных вариантов в товарном фиде
<item>
<g:id>SKU-68204</g:id>
<title>Handwoven Wool Throw Blanket - Natural Oatmeal, 50x60in</title>
<link>https://example-shop.com/products/handwoven-wool-throw-oatmeal</link>
<g:price>84.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:brand>Loomcraft Studio</g:brand>
<g:identifier_exists>false</g:identifier_exists>
</item>С identifier_exists Если установить значение false, то для сопоставления не будет GTIN или MPN, поэтому гибридный процесс сопоставления будет использовать поле бренда плюс нормализованные атрибуты заголовка и размеров для поиска или подтверждения соответствия каталогу — именно для такого сценария и предназначена данная технология.
Связанные концепции
Гибридное сопоставление в значительной степени зависит от нормализации, происходящей на предыдущем этапе, поскольку нечеткое сравнение эффективно только при условии согласованности исходных данных, и часто использует справочные данные в стиле графа знаний для разрешения неоднозначных совпадений, которые невозможно разрешить одними лишь атрибутами. Этот метод также косвенно поддерживает усилия по сегментации , поскольку точная группировка похожих или дублирующихся продуктов часто является первым шагом к созданию чистых и надежных сегментов из в остальном неструктурированного каталога.