В далеком 2017 году, возникла идея разработать сервис мониторинга цен конкурентов. Его отличительной фишкой от остальных подобных сервисов должна была стать функция ежесуточного автоматического сопоставления товаров. Видимо из — за почти полного отсутствия информации о том, как это делать, сервисы по мониторингу цен предлагали лишь возможность ручного сопоставления силами самих клиентов, либо операторов сервиса с ценой от 0.2 до 1 рубля за факт сопоставления. Реальная же ситуация с, например, 10 сайтами и 20 000 товаров на каждом, неминуемо требует автоматизации процесса, так как ручное сопоставление уже слишком долгое и дорогое.
Ниже будет описан подход к автоматическому сопоставлению на примере ряда конкурирующих аптек с использованием технологии Elaticsearch.
Описание среды
- ОС: Windows 10
- Основа: Elaticsearch 6.2
- Клиент для запросов: Postman 6.2
Настройка Elaticsearch
Конфигурация маппера полей товаров и анализатора в одном запросе
PUT http://localhost:9200/app
{
"mappings": {
"product": {
"properties": {
"name": {
"type": "text",
"analyzer": "name_analyzer" # указываем анализатор из настроек для имени товара
},
"manufacturer": {
"type": "text"
},
"city_id": {
"type": "integer"
},
"company_id": {
"type": "integer"
},
"category_id": {
"type": "integer"
},
}
}
},
"settings": {
"index": {
"analysis": {
"analyzer": {
"name_analyzer": {
"type": "custom",
"tokenizer": "standard", # про этот токенайзер можно подробно почитать в документации, в целом подходит под нашу задачу
"char_filter": [
"html_strip", # удаляем случайно попавшие в названия товаров html теги
"comma_to_dot_char_filter" # заменяем запятые на точки, чтобы вещественные числа парсились
],
"filter": [
"word_delimeter_filter", # указываем кастомные разделители термов
"synonym_filter", # добавляем группы синонимов
"lowercase" # переводим все в нижний регистр
]
}
},
"filter": {
"synonym_filter": {
"type": "synonym_graph",
"synonyms": [
"тюб, тюбик",
"кап, капельница",
"капс, капсула",
"амп, ампула, ампулы",
"офтальмол, офтальмологический",
"таб, тбл, табл, таблетки",
"увл, увлажняющий",
"наз, назальный",
"доз, дозированный, дозировка",
"жев, жеват, жевательные",
"раств, раствор, растворимые, р-ра, р-р",
"ин, инъекций, инъекция",
"покр, покрытый, покрытая, покрытые",
"инд, индивидуальная",
"конт, контурная",
"уп, упак, упаковка",
"расс, рассас, рассасывания",
"подъязыч, подъязычные",
"шип, шипучие",
"пор, порошек",
"приг, приготовления",
"шт, штук, ном, номер",
"тр, трава",
"г, g",
"ml, мл"
]
},
"word_delimeter_filter": {
"type": "word_delimiter",
"type_table": [
". => DIGIT", # чтобы попадали в термы вещественные числа
"- => ALPHANUM",
"; => SUBWORD_DELIM",
"` => SUBWORD_DELIM"
]
}
},
"char_filter": {
"comma_to_dot_char_filter": {
"type": "mapping",
"mappings": [
", => ."
]
}
}
}
}
}
}
Для примера, можем посмотреть на какие части анализатор «name_analyzer» разобьет название лекарства «Гиоксизон 10мг+30мг/г мазь для наружного применения туба 10г». Используем запрос _analyze.
POST http://localhost:9200/app/_analyze
{
"analyzer" : "name_analyzer",
"text" : "Гиоксизон 10мг+30мг/г мазь для наружного применения туба 10г"
}
результат
{
"tokens": [
{
"token": "гиоксизон",
"start_offset": 0,
"end_offset": 9,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "10",
"start_offset": 10,
"end_offset": 12,
"type": "<ALPHANUM>",
"position": 1
},
{
"token": "мг",
"start_offset": 12,
"end_offset": 14,
"type": "<ALPHANUM>",
"position": 2
},
{
"token": "30",
"start_offset": 15,
"end_offset": 17,
"type": "<ALPHANUM>",
"position": 3
},
{
"token": "мг",
"start_offset": 17,
"end_offset": 19,
"type": "<ALPHANUM>",
"position": 4
},
{
"token": "g",
"start_offset": 20,
"end_offset": 21,
"type": "SYNONYM", #видим, что строка "g" определилась как SYNONYM, это означает, что она совпадет с любым вхождением своей группы синонимов "г, g"
"position": 5
},
{
"token": "г",
"start_offset": 20,
"end_offset": 21,
"type": "<ALPHANUM>",
"position": 5
},
{
"token": "мазь",
"start_offset": 22,
"end_offset": 26,
"type": "<ALPHANUM>",
"position": 6
},
{
"token": "для",
"start_offset": 27,
"end_offset": 30,
"type": "<ALPHANUM>",
"position": 7
},
{
"token": "наружного",
"start_offset": 31,
"end_offset": 40,
"type": "<ALPHANUM>",
"position": 8
},
{
"token": "применения",
"start_offset": 41,
"end_offset": 51,
"type": "<ALPHANUM>",
"position": 9
},
{
"token": "туба",
"start_offset": 52,
"end_offset": 56,
"type": "<ALPHANUM>",
"position": 10
},
{
"token": "10",
"start_offset": 57,
"end_offset": 59,
"type": "<ALPHANUM>",
"position": 11
},
{
"token": "g",
"start_offset": 59,
"end_offset": 60,
"type": "SYNONYM",
"position": 12
},
{
"token": "г",
"start_offset": 59,
"end_offset": 60,
"type": "<ALPHANUM>",
"position": 12
}
]
}
Заполнение тестовыми данными
Запрос _bulk
POST http://localhost:9200/_bulk
{
"index": {
"_index": "app",
"_type": "product",
"_id": 195111
}
}
{
"name": "Гиоксизон 10мг+30мг/г мазь для наружного применения туба 10г",
"manufacturer": "Муромский приборостроительный завод АО",
"city_id": 1,
"company_id": 2,
"category_id": 1
}
{
"index": {
"_index": "app",
"_type": "product",
"_id": 195222
}
}
{
"name": "ГИОКСИЗОН мазь для наружнего применения 10 мг+30 мг/г: 10 г",
"manufacturer": "МПЗ",
"city_id": 1,
"company_id": 3,
"category_id": 1
}
Поиск сопоставлений
Пусть товар нашего клиента, для которого мы хотим найти все похожие товары конкурентов имеет характеристики
{
"name": "Гиоксизон мазь для наружного применения 10 мг+30 мг/г туба алюминиевая 10 г",
"manufacturer": "Муромский приборостроительный завод АО",
"city_id": 1,
"company_id": 1,
"category_id": 1
}
Пользуясь справочником лекарственных средств выделяем из названия товара наименование препарата. В данном случае это слово «Гиоксизон». Это слово будет обязательным критерием.
Вырезаем так же все числа из названия — «10 30 10», они также будут обязательным критерием. При этом если какое то число входило дважды, в найденных товарах оно тоже должно входить джважды, иначе мы увеличим шанс совпадения с неправильными товарами.
Запрос _search
GET http://localhost:9200/app/product/_search
{
"query": {
"bool": {
"filter": [
{
"terms": {
"company_id": [
2,
3,
4,
5,
6,
7,
8
]
}
},
{
"term": {
"city_id": {
"value": 1,
"boost": 1
}
}
},
{
"term": {
"category_id": {
"value": 1,
"boost": 1
}
}
}
],
"must": [
{
"bool": {
"should": [
{
"match": {
"name": {
"query": "мазь для наружного применения мг+ мг/г туба алюминиевая г",
"boost": 1,
"operator": "or",
"minimum_should_match": 0,
"fuzziness": "AUTO"
}
}
}
],
"must": [
{
"match": {
"name": {
"query": "Гиоксизон",
"boost": 2,
"operator": "or",
"minimum_should_match": "70%",
"fuzziness": "AUTO"
}
}
},
{
"match_phrase": {
"name": {
"query": "10 30 10",
"boost": 2,
"slop": 100
}
}
}
]
}
}
],
"should": [
{
"bool": {
"should": [
{
"match": {
"manufacturer": {
"query": "Муромский приборостроительный завод АО",
"boost": 1,
"operator": "or",
"minimum_should_match": "70%",
"fuzziness": "AUTO"
}
}
},
{
"match": {
"manufacturer": {
"query": "Вalenta Фarmacevtika ОАО",
"boost": 1,
"operator": "or",
"minimum_should_match": "70%",
"fuzziness": "AUTO"
}
}
}
]
}
}
]
}
},
"highlight": {
"fields": {
"name": {}
}
},
"size": 50
}
На выходе получаем id товаров, а также их названия + score для аналитики, с выделенными совпавшими фрагментами.
- Гиоксизон 10мг+30мг/г мазь для наружного применения туба 10г — Оценка алгоритмом: 69.84
- ГИОКСИЗОН мазь для наружнего применения 10 мг+30 мг/г: 10 г — Оценка алгоритмом: 49.79
Заключение
Описанный способ конечно не даст 100% точности сопоставления, но намного облегчит процесс ручного сопоставления товаров. Также подойдет для задачи, не требующей абсолютной точности.
В целом, если улучшать поисковый запрос методами дополнительных эвристик и увеличения количества синонимов, можно добиться результата близкого к удовлетворительному.
Кроме того, тесты производительности, производимые на стареньком i7, показали хорошие результаты. 10 поисковых запросов в массиве из 200000 товаров выполняются в пределах пары секунд. В живую данный пример с лекарствами можно посмотреть здесь.
Предлагайте свои варианты, способы сопоставления в комментариях.
Спасибо за внимание!
Автор: AlexSidor