产品属性：如何提取、标准化和映射

什么是产品属性（以及什么不是）

产品属性是一个带有值的命名特性：material = stainless steel，capacity = 1.5 L，color = black。属性提取研究将这些称为属性–值对。属性描述的是产品本身，无论在哪里销售都保持不变，因此应放在结构化字段中，而不是只出现在描述性文字里。

有三个相邻的概念很容易与属性混淆，而把它们混在一起正是后来大多数架构问题的根源：

在提取任何内容之前先定义属性架构

属性架构是每个值都必须满足的约定。没有它，提取只会得到源文件碰巧写的任何内容，而标准化也会变成猜测。对于每个属性，请确定名称、数据类型、标准单位、允许值或验证规则、是否可以有多个值，以及在哪些情况下为必填。

架构应按产品系列建立，而不是做成一个巨大的清单：水壶需要容量和额定功率，T 恤需要纤维成分和尺码。先从您的渠道要求的、购物者用来筛选的属性开始，再添加数据表能够稳定提供的技术属性。

属性值从哪里来，以哪个来源为准

值通常来自多个并不总是一致的来源。请为每个属性设定来源优先级，使冲突按统一的方式解决，而不是由最后编辑记录的人说了算。

一个实用的默认原则：技术文件优先于营销文案，具体文件优先于一般文件。当同等级别的来源相互矛盾时——例如数据表和包装给出了不同的重量——不要取平均值，也不要随便选一个；请询问供应商哪一个是现行的。

• 数据表和规格表：尺寸、额定值、材质和性能值最可靠的来源，通常以表格形式呈现。
• 包装和标签设计稿：对包装上印刷的内容具有权威性，如净含量、警告和标志。
• 安全数据表：化学品的危害分类、成分和理化性质；不属于营销属性。
• 供应商的产品描述：适用于从不出现在表格中的属性（款式、预期用途、兼容型号），但精确度最低。

如何从产品描述中提取属性

自由文本描述是最难处理的来源，因为值被包裹在句子中，受营销语言修饰，有时还带有否定。无论您使用规则、已知值词典还是语言模型，保证输出可信的流程都是一样的：

1. 在阅读任何文本之前，先列出该产品系列的目标属性及其允许值和单位。
2. 将文本拆分为句子和要点，然后查找候选值：带单位的数字、已知的词汇术语，以及“compatible with …”（兼容……）之类的模式。
3. 检查每个候选值的上下文，看是否有限定词（“最多”“约”“起”）、否定（“不含 BPA”“不适用于”）和条件（“带盖”“在 20 °C 时”）。
4. 每个值只分配给一个属性；当一个数字可能属于两个属性时，将其保留为未分配状态以待审核，而不是猜测。
5. 使用后续各节的规则对值和单位进行标准化，并保留原始文本。
6. 标记每个仅来自营销文案的属性，以便审核人员在其用于规格表或声明草稿之前，对照数据表进行确认。

将数据表表头映射到标准属性名称

每个制造商对同一属性的标注方式都不同，往往还使用自己的语言。请建立一个同义词表，将您实际遇到的表头文字映射到您的标准属性名称；它起初增长很快，之后趋于稳定，并成为您最可重复使用的标准化资产。同时记录表头中印刷的单位：在“Weight (lbs)”下，没有任何单元格会重复单位。表格版式、扫描件和 OCR 请参阅关于从 PDF 提取产品数据的指南。

标准化数字和单位

将每个定量属性存储为两个字段：一个数字和一个单位代码。UN/CEFACT 第 20 号建议书（“国际贸易中使用的计量单位代码”）为此提供了三字符通用代码，schema.org 在其 unitCode 属性中也使用相同的代码，例如 value 为 25、unitCode 为 CMT 的 QuantitativeValue。使用这些代码而不是自由文本的单位（“cm”“cms”“centimetres”），可以消除一整类不匹配问题。

为每个属性选择一个标准单位，通常是 SI 单位或其十进制倍数，并在导入时进行换算，使不同供应商的值可以正确比较。保留印刷的原始值和单位以便追溯，并在导出时换回渠道所用的单位：Shopify 产品 CSV 要求重量以克为单位，而 WooCommerce 使用店铺中配置的重量和尺寸单位。

请留意会导致无声错误的细节。小数和千位分隔符取决于文档的区域设置：在德语数据表中，“1.000 W”是一千瓦。将范围拆分为最小值和最大值字段，将公差与标称值分开存储，并将“约”或“最大”等限定词保存在单独的字段中。英制换算使用精确的定义（1 英寸 = 25.4 mm；1 lb = 0.45359237 kg）；只在显示时四舍五入一次。

对文本属性使用受控词汇

受控词汇是文本属性可取值的列表，以及映射到每个值的同义词。它可以让“Color: black”筛选器捕获被描述为“blk”“Black”和“schwarz”的产品。

当营销和筛选的需求相互冲突时，保留两个字段：一个用于筛选器和数据源的标准化基础值，以及一个用于展示的制造商自有名称。“Midnight Graphite”作为产品页面的细节很好，作为筛选值却毫无用处；“gray”则恰恰相反。对于多语言目录，请将词汇值存储为与语言无关的代码并翻译其标签，使同一产品在每种店铺语言中都能正确筛选。

将属性映射到分类体系和渠道架构

分类体系决定哪些属性适用于某个产品以及它们叫什么名称。您很少能自己选择：零售商可能要求 GS1 GPC，批发商要求 ETIM，Shopify 要求其标准产品分类体系（Standard Product Taxonomy），搜索引擎则读取 schema.org 标记。请以您自己的属性架构为主，并维护到每个外部分类体系的映射。

在 GS1 GPC 中，砖块（brick）是基本构件，砖块属性承载诸如某种牛奶是动物来源还是非动物来源之类的细节。ETIM 为每个类别提供一组预定义的特征，带有固定的值列表和单位，并发布 17 种语言的模型。Shopify 要求根据产品的主要功能选择一个类目；设置类目后即可解锁类目元字段。schema.org Product 具有专用属性，如 gtin、mpn、brand、color、material、size 和 weight。

处理变体而不重复属性

变体是共享大多数属性、仅在少数属性上不同的产品。将其建模为：父记录保存共享属性，子记录只保存变体维度及随之变化的值，如颜色、尺码、容量及其各自的标识符。GS1 的 GTIN 规则将每种款式、颜色和尺码变化视为带有自己 GTIN 的独立产品，因此标识符始终存在于子记录上。

多型号规格表是大多数变体错误的根源。将每个型号占一列的表格拆分为每列一条记录，并将只印刷了一次、跨列适用的值——合并单元格，或表格下方的“all models: 230 V”——复制到它适用的每个子记录。在 Shopify 中，Option1 LinkedTo CSV 列将变体选项链接到类目元字段；一个产品最多可有三个选项和 2,048 个变体。

通过规则和质量抽样验证属性

验证规则能发现机械性错误：类型错误、单位错误、不可能的值、缺少必填属性。每次导入都运行这些规则，并将失败项转交给审核人员，而不是悄悄丢弃值。

规则无法发现看似合理但错误的值——从相邻型号列复制来的容量可以通过所有检查。质量抽样可以：将抽样记录逐字段与源文件比对。没有通用的样本量或错误阈值；请按风险来设定。

1. 按供应商抽取记录样本，并向新供应商和新文档版式倾斜。
2. 将每个抽样属性与源文件比对，分别记录匹配、错误值和缺失值。
3. 按属性而不是只按记录计算错误率，以找出造成问题的属性或表头映射。
4. 对每一条记录（而不是抽样）检查与安全相关和法律要求的属性。

大规模运行属性标准化

架构、同义词表、词汇表和规则是这项工作中持久的部分；提取方法则可以在它们之下更换。请对它们进行版本管理，为每一项指定负责人，记录手动修正并注明原因（反复出现的修正说明缺少某条规则），并在每次引入新供应商时审查同义词表。

如果您的属性最初来自供应商 PDF，Doc2Shelf 可以完成提取这一步：它读取上传的数据表、规格表、SDS 和目录，按印刷内容保留值和单位，并附上页码和简短引文作为依据，同时标记缺失的必填数据。然后，您的标准化规则会在审核期间应用，之后该记录才会用于生成商品列表或声明草稿。