laoyuan
2013-01-18 05:03:32 +08:00
这个主要靠经验，说成算法相当有装B嫌疑。我并不赁于分享这些经验，因为只要你做，做进去，一定也可以解决。
首先识别品牌，这些电商中三分之二的商品本身就有品牌这项结构化数据，利用这些数据可以构建一个品牌库，剩下三分之一没有品牌的，标题从品牌库里过一遍，strpos()，看品牌是否存在于标题中，如果只匹配到一个品牌，那就是它了，两个以上人工选一下。
确定品牌后就轻松了，美的商品数在所有品牌中排前50，总共也就区区五六百款，把京东的作为标准，亚马逊易购之流通通在京东里过一遍。这时候可以匹配型号，连续的字母数字-/用 preg_match_all 提出来（EHS15AP-PW），具有独特性？好，它就是型号，和京东有型号的比对下，型号一致价钱又差不多的那就是同一款。提不出型号的，最起码我能提出来品种，几千个标题统计下词频，从高到低列出来人工筛选下，剔掉系列、不锈钢、电脑版等描述词，剩下的就是电磁炉、热水器、豆浆机。。。手上又有了品种库。确定品种后更轻松了，一个品种顶多几十款，想怎么玩怎么玩~