AI 内容分享(十三)：商品分类：AI落地实践

基于真实需求，让AI落地，使用embedding模型做大数据量分类。

为数十万商品分类通常想到的办法是用NLP+特定分类算法（如是SVM)来实现，涉及数据清洗，特征提取，模型训练，调试和集成等工作。看起来是项大工程。 借助现有AI的能力，可以加速实现。本文是基于真实需求场景的探索和回顾。

背景

近期遇到一个做电商的朋友需求，他们的电商平台上有几十万商品，上千种商品品类。而商品品类的划分数据来自多个电商平台，标准描述不统一，分类也有出错的情况，需要对所有商品品类做一个统一的梳理。梳理商品品类的工作由人工完成的话，会很耗时费力。期望借助AI的能力帮忙梳理已有商品品类的划分，而且对于新加入的商品，能自动为其分类。

传统的关键字匹配不合适，比如葡萄，葡萄干，葡萄糖，葡萄石就是四种品类。传统的NLP处理也有局限性，且需要重新训练。

另外，还有限制条件：

• 商品名主要是中文
• 只能在内网使用
• 没有性能强大（更别提GPU）的服务器

思路

首先想到的是微调一个4bit量化的中文LLM，来实现输入商品名，返回商品二级和一级分类。

已知：

• ChatGLM3 4bit模型在一般的CPU服务器，16GB内存情况下是能跑起来。
• 需要准备500到1000条高质量，覆盖面广的训练数据。
• 需要调教和控制输出格式。

实测下来，4bit LLM能力有限，输出的准确度和格式的一致性不能保证。需要多次“炼丹”，结果还不能保证达到想要的效果。

换个思路，我们要解决传统关键字匹配的问题，本质上是语义的匹配。在以前做知识库问答的过程中用到的embeddings不就是实现了语义的匹配吗？前述的商品分类需求中，并不涉及语言理解和逻辑推理，那其实可以不用LLM。是不是只需要embedding模型就能实现了？

嵌入式模型（Embedding）是一种广泛应用于自然语言处理（NLP）和计算机视觉（CV）等领域的机器学习模型，它可以将高维度的数据转化为低维度的嵌入空间（embedding space），并保留原始数据的特征和语义信息，从而提高模型的效率和准确性

说人话，嵌入式模型就是把词或句用多维向量来表示，向量之间的距离表示语义的相近程度。向量之间的距离越短，表示语义越接近。比如“土豆”->[0,1,2]，“马铃薯”->[0,1,1]，“土狗”->[1,0,0]。比较[0,1,2]与[0,1,1]的距离要小于[0,1,2]与[1,0,0]的距离，得出结论“土豆”表达的意思与“马铃薯”更接近。

上面的例子中只是一个3维向量，而实际可用的嵌入式模型中，维度要大得多，比如OpenAI提供的Embeddings接口支持1536维度，开源的中文embeddings中m3e-base支持768维度。

所以，我们需要以下服务：

• embedding模型，这里选m3e-base
• 本地向量数据库，选Milvus
• 本地关系数据库, 选MySQL

embedding 模型, 矢量数据库和关系数据库有许多其它可选的，这里不展开讨论选型了哈。

实现

1. 准备标准的商品分类

商品分类的元数据可以从已有的商品分类中提炼，也可借助于AI生成新的。

由于AI推理的一定局限性和输出有token限制，我们不要一次性让它生成所有的商品分类。采取分步策略，可以获得更好的结果。

先生成一级目录，再一个个生成二级目录，再生成对应的三级目录。这个过程循环操作并记录，理论上就能得到一个全新的，覆盖面较全的商品分类元数据了。

这样操作有个弊端，对话轮次太多了，得有几百次。我们可以用工程化的方法来操作，也就是程序调用API。用Shell或Python都可以，可以让ChatGPT帮忙写这脚本。

# 第一步：生成二级目录
def generate_second_level_categories(first_level_category):
    # 生成二级目录的 prompt
    prompt = f"一级目录: {first_level_category};"
    # 调用 OpenAI API 生成二级目录
    response = call_openai_api(prompt)
    # 解析二级目录
    second_level_categories = response.split(",")
    print(f"一级目录: {first_level_category}; 二级目录: {second_level_categories}")
    return second_level_categories

# 第二步：生成三级目录
def generate_third_level_categories(first_level_category, second_level_category):
    # 生成三级目录的 prompt
    prompt = f"一级目录: {first_level_category}; 二级目录: {second_level_category};"
    # 调用 OpenAI API 生成三级目录
    response = call_openai_api(prompt)
    # 解析三级目录
    third_level_categories = response.split(",")
    print(f"一级目录: {first_level_category}; 二级目录: {second_level_category}; 三级目录: {third_level_categories}")
    return third_level_categories

# 保存结果
with open("categories.csv", "w", newline="") as csvfile:
    writer = csv.writer(csvfile)
    for first_level_category, second_level_category, third_level_category in third_level_categories.items():
        writer.writerow([third_level_category, second_level_category, first_level_category])

生成的商品类目并不是我想要的TSV格式，但只要有格式，就好解析。再让AI写个脚本来把这些数据加载到MySQL。至此，商品分类元数据准备完毕。

2. 商品目录存入矢量数据库

我们使用 m3e-base 模型来做中文embedding，也就是将三级商品名转换成向量。然后选用Milvus来做矢量数据库，储存转换好的向量。另外，还需要在MySQL中储存向量Index与对应的三级商品名。

２.1 me3-base 安装使用me3-base的安装参考 https://huggingface.co/moka-ai/m3e-base

pip install -U sentence-transformers

初次运行时，会联网下载Model，耗时。如果需要，可向我索取离线包。 准备text_to_vector方法如下。

from sentence_transformers import SentenceTransformer
# Initialize the model
model = SentenceTransformer('moka-ai/m3e-base')
def text_to_vector(text):
    embedding = model.encode([text])
    return embedding[0]

２.2 Milvs 安装使用最方便的方式就是用Ｄocker来启动Milvus服务, 参考　https://milvus.io/docs/install_standalone-docker.md

wget https://github.com/milvus-io/milvus/releases/download/v2.3.3/milvus-standalone-docker-compose.yml -O docker-compose.yml
sudo docker-compose up -d

矢量数据库Milvus准备好后，就可以将text_to_vector转换后的矢量存进去，然后创建index, 把index对应的text也记得存入MySQL。

pip install pyarrow pymysql pymilvus milvus

def save_embeddings():
    # Establish connections
    connections, db = establish_connections()
    try:
        collection_name = "text_search_collection"
        if utility.has_collection(collection_name):
            collection = Collection(collection_name)
            collection.drop()
        fields = [
            FieldSchema(name="text_id", dtype=DataType.INT64, is_primary=True, auto_id=True),
            FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=768)
        ]
        schema = CollectionSchema(fields, description="Text search collection")
        collection = Collection(collection_name, schema)
        texts = ["干果", "水果", "宝石", "医疗用品", "零食"]
        vectors = [text_to_vector(text) for text in texts]
        mr = collection.insert([vectors])
        ids = mr.primary_keys
        index_params = {
            "metric_type": "L2",
            "index_type": "IVF_FLAT",
            "params": {"nlist": 128}
        }
        print("create vector index")
        collection.create_index("embedding", index_params)
        data = [(vector_id, text) for text, vector_id in zip(texts, ids)]
        cursor = db.cursor()
        try:  
            cursor.executemany('INSERT INTO text_table (text_id, text) VALUES (%s, %s)', data)
            db.commit()
        finally:
            cursor.close()
    finally:
        close_connections(connections, db)

3. 查询数据库

查询的过程看上面的图：文本先通过text_to_vector转换为矢量，然后在Milvus里查询最邻近的值，拿出Index，再根据这个Index到MySQL里查询对应的文本。

以下是查询方法：

def search_similar_texts(query_text):
    connections, db = establish_connections()
    try:
        query_vector = text_to_vector(query_text)
        collection = Collection("text_search_collection")
        collection.load()
        search_params = {"metric_type": "L2", "params": {"nprobe": 16}}
        results = collection.search([query_vector], "embedding", search_params, limit=1)
        ids = [str(result.id) for result in results[0]]
        distances = [str(result.distance) for result in results[0]]
        cursor = db.cursor()
        try:
            query = f"SELECT text FROM text_table WHERE text_id IN ({','.join(['%s'] * len(ids))})"
            cursor.execute(query, tuple(ids))
            similar_texts = [text for text, in cursor.fetchall()]
        finally:
            cursor.close()
    finally:
        close_connections(connections, db)
    return similar_texts, ids, distances

上面的代码中有

distances

值，表示矢量数据库查询计算出的两个矢量的距离，距离越小，表示语义最接近。所以， 我们也可以将

distances

值返回，用于人工审核的阈值筛选条件。比如

dinstances

值大于某个值的，我们要人工审核一下。

查询：

search_words = ["葡萄", "葡萄干", "葡萄糖", "葡萄石"]
for search_word in search_words:
    print(f" {search_word} 属于分类：",search_similar_texts(search_word))

结果：

 葡萄 属于分类： (['水果'], ['445652651623587475'], ['156.342529296875'])
 葡萄干 属于分类： (['干果'], ['445652651623587474'], ['91.40153503417969'])
 葡萄糖 属于分类： (['零食'], ['445652651623587478'], ['176.91494750976562'])
 葡萄石 属于分类： (['宝石'], ['445652651623587476'], ['123.83802032470703'])

工程化

环境安装好，分步调试好，就可以组装了。接下来可能要完善的包括

• 商品分类元数据的更新
• 查询邻近分类的API接口
• 人工审核步骤（可选）
• 集成到已有系统

写在后面

对于特定场景问题，不一定非得上最优的大模型，只用embedding模型就能解决。AI应用落地的关键点在落地。只要能解决问题，方案应该尽可能简洁，便宜。

本文记录了使用语言embedding模型和矢量数据库做商品分类查询的实现方式。相比于之前讲过的知识库问答，少了大语言模型（LLM）的使用。为了方便使用，我也准备了离线安装包。可加我vx yahai00，索取embedding分类离线安装包。