同款识别（一）：类目与属性基线

本文是《电商同款识别：从属性标准化到可迭代的商品理解系统》的第一篇。文中案例、字段和值均为合成示例。

同款识别常被误解为“找标题相似的商品”。从技术上看，它首先是一个商品理解问题：两个商品的标题可能完全不同，却表示同一种商品；标题很像的商品，也可能只差一个足以改变商品身份的规格。

这一阶段的目标不是一次解决所有长尾表达，而是建立一套可解释的比较基线：在给定类目下，明确哪些属性定义同款，哪些属性只是展示差异。

系列导航： 同款识别（一）· 同款识别（二） · 同款识别（三）

1. 问题从哪里开始

1.1 “相似”不等于“同款”

在公开的商品标题里，品牌、营销词、规格、套装数量和颜色常被混合书写；重要信息也可能散落在标题、规格选项和详情描述中。因此，字符串相似度只能作为一个很弱的候选信号。

一个合成例子：

商品	标题	关键差异
A	`旅行保温杯 500ml 黑色`	容量 500ml
B	`大容量随行杯黑 0.5L`	容量 500ml，与 A 可比较
C	`旅行保温杯 750ml 黑色`	容量不同，不应与 A 直接聚合

这里，“颜色”是否影响聚合取决于下游目标；“容量”则可能是决定可比性的关键规格。识别系统的第一项工作，是把这种判断显式化。

1.2 类目树不必每条路径都一样深

第一阶段的基础，是一套层级类目体系。它最多可以展开到五级，但“五级”只是最大深度，并不是每个商品都必须被机械地划到第五层。

类目树的深度取决于当前节点里的商品是否已经足够同质：有些品类到第三级时，商品的功能和属性结构已经比较稳定，可以直接作为叶子类目；另一些品类内部差异仍然很大，就需要继续拆到第四级或第五级。换句话说，我们关心的不是层级数量本身，而是叶子节点能否形成一个边界清晰、可以共享同一套比较规则的商品集合。

这种设计避免了两个极端：类目过粗时，不同类型的商品会被迫使用同一套属性；类目过细时，类目体系又会变得难以维护，甚至在真正开始同款判断前就把商品切得过碎。

1.3 为每个叶子类目建立 definition

类目树确定后，需要为每个叶子类目定义一份属性规范。这里的 definition 不是一句自然语言描述，而是一组能够覆盖并区分该叶子类目商品的属性集合。

例如，“认知卡片”可以由品牌、材质、尺寸、卡片数量、卡片类型、语言和销售数量等属性共同描述；同属教育玩具的“教育海报”，则更适合由品牌、材质、尺寸、海报类型、适用年龄、语言和销售数量来描述。两者很接近，却不能简单复用完全相同的属性表。

在第一阶段，我们暂不进一步区分属性类型，而是把 definition 中列出的属性共同作为该叶子类目的描述维度。例如，品牌回答“它是谁生产的”，材质和尺寸回答“它是什么形态”，卡片数量、卡片类型和语言则进一步刻画具体的商品内容与销售规格。

这些属性联合起来，相当于为叶子类目定义了一组“坐标轴”：每件商品都被映射成一个结构化属性向量，同款判断也就从模糊的文本相似问题，变成了同一坐标系中的精确比较问题。

商品文本与选项
      ↓
可变深度的叶子类目
      ↓
叶子类目 definition
      ↓
可比较的结构化商品表示

2. 建立可解释的属性基线

2.1 用属性联合匹配定义同款

第一阶段可以采用一条直接且可解释的规则：两个商品必须先落在同一个叶子类目中，再比较该类目 definition 中的全部属性；只有参与判断的属性值都一致，才将它们判为同款。

设叶子类目 $c$ 的属性集合为 $A_c$ ，商品 $x$ 在属性 $a$ 上经过标准化后的值为 $v(x,a)$ ，那么这条规则可以写成：

Same(x,y\mid c)=\bigwedge_{a\in A_c}\left[v(x,a)=v(y,a)\right]

这个公式的重要之处不在于复杂，而在于明确了同款判断的边界：类目不同，不进入比较；任何一个定义属性不同，都不判为同款；只有整组属性一致，才形成同款关系。

为了让比较成立，原始属性值还需要先做标准化。例如 0.5 L 与 500 ml 应归一到同一容量，50 sheets 与 50 cards 是否等价则必须由类目定义决定。否则，规则比较的只是字符串，而不是商品语义。

对于没有抽取到值的属性，可以统一使用 None 填充。这样每件商品都能生成长度一致的属性向量，后续可以直接逐字段比较，而不需要为每一种缺失情况设计不同的数据结构。

2.2 用 NER 与规则构造属性向量

在非大模型方案中，可以从商品标题、规格选项和详情描述等文本中读取信息，再通过 NER 与规则抽取 definition 要求的属性。

NER 负责从非结构化文本中定位品牌、材质、尺寸、数量等候选实体；规则则承担更确定的解析与归一工作，例如识别数值和单位、映射别名、处理固定格式，以及将抽取结果写入对应的属性槽位。两者结合后，每件商品都会得到一条与叶子类目 definition 对齐的属性向量。

标题 / 规格选项 / 详情描述
             ↓
         NER 候选抽取
             ↓
     规则解析、归一与槽位映射
             ↓
      definition 对齐的属性向量
             ↓
          全属性匹配

{
  "category": "示例叶子类目",
  "attributes": {
    "capacity": {"value": "500 ml", "evidence": "title"},
    "color": {"value": "black", "evidence": "option"},
    "material": {"value": None, "evidence": None}
  }
}

上例中，材质没有从任何文本字段中识别出来，因此在比较前会被统一填充为 None。

2.3 示例一：标题不同，但属性完全一致

假设“认知卡片”叶子类目的 definition 包含以下属性：品牌、材质、尺寸、卡片数量、卡片类型、语言和销售数量。

属性	商品 A	商品 B
标题	儿童启蒙字母闪卡 50 张	早教英文字母学习卡片套装
品牌	BrightKids	BrightKids
材质	纸质	纸质
尺寸	10 × 15 cm	100 × 150 mm
卡片数量	50	50
卡片类型	字母卡	字母卡
语言	英语	English
销售数量	1 套	1 set

两条标题的字面差异较大，但经过单位、语言和枚举值归一后，definition 中的属性全部一致，因此可以判定为同款。这说明结构化属性能够穿过营销词和表达方式的差异。

2.4 示例二：标题很像，但一个属性不同

再看商品 C：

属性	商品 A	商品 C
标题	儿童启蒙字母闪卡 50 张	儿童启蒙字母闪卡 80 张
品牌	BrightKids	BrightKids
材质	纸质	纸质
尺寸	10 × 15 cm	10 × 15 cm
卡片数量	50	80
卡片类型	字母卡	字母卡
语言	英语	英语
销售数量	1 套	1 套

两条标题高度相似，但卡片数量不同。因为“卡片数量”属于这个叶子类目的 definition，商品 C 不会与商品 A 判为同款。这个例子体现了 Stage 1 追求的不是宽泛相似，而是可解释、可核验的属性一致性。

2.5 definition 也决定哪些差异可以忽略

并不是商品页面上出现的所有字段都参与同款判断。如果某个展示字段没有进入该叶子类目的 definition，它的变化就不会改变判断结果。例如，在普通日用品中，包装图案可能只是展示差异；而在收藏品中，图案本身又可能是决定商品身份的核心属性。

所以，“全属性匹配”并不是比较页面上的所有信息，而是比较该叶子类目 definition 明确纳入的全部属性。这套边界需要结合任务定义和类目知识确定。

3. 规则基线暴露出的难题

当属性定义和全匹配基线跑通后，问题会变得具体：

同一概念有多种表达，规则难以穷举；
信息分散在多个字段，需要跨字段关联；
商品信息缺失、冲突或填写不规范；
不同语言和类目的表达差异，让固定词表迅速膨胀。

此外，严格的全属性匹配对属性质量非常敏感：一个属性抽错会造成误拆分，一个单位未归一也可能让真实同款无法合并。

统一使用 None 填充缺失属性简化了工程实现，但也引入了一个清晰的风险：当两个商品在同一个属性上都没有抽取到值时，None == None 会被视为匹配。缺失属性较少时，这种做法可以减少因单个空值造成的漏判；当多个重要属性同时缺失时，两件信息不完整的商品却可能因为共享大量 None 而被误判为同款。因此，这套方案高度依赖 NER 与规则的属性覆盖率。

类目本身也形成了一层天然边界。如果真实同款被分到了两个相邻叶子类目，那么属性规则再准确，它们也没有机会进入同一次比较。这既是第一阶段的可解释性来源，也是后续提升召回时必须解决的限制。

这些问题并不意味着规则没有价值。相反，Stage 1 完成了最重要的问题建模：用类目控制比较范围，用 definition 明确商品身份，再用属性一致性提供可解释的判断依据。后续无论引入语义向量还是大模型属性抽取，都可以继续复用这套表示和判断边界。