Если в каталоге несколько десятков товаров, сократить названия можно вручную. Но когда речь идёт о тысячах или десятках тысяч позиций, такая работа быстро превращается в отдельный проект на недели или даже месяцы.
Особенно часто эта задача возникает при массовой загрузке товаров на маркетплейсы, переносе каталогов между различными системами или подготовке товаров для интернет-магазина.
Например, на Wildberries длина названия ограничена 60 символами. Если название длиннее, карточку товара создать не получится. В интернет-магазинах ограничения могут быть связаны с SEO, особенностями платформы или требованиями к отображению товаров в каталоге.
Когда ассортимент большой, ручное сокращение названий становится слишком трудоёмким. Поэтому обычно используются автоматизированные способы обработки.
Сокращение с помощью обычного алгоритма
Самый простой вариант — использовать программный алгоритм.
Обычно наша система сначала удаляет лишние и запрещённые символы, затем проверяет длину названия и при необходимости сокращает его по границам слов. Дополнительно могут удаляться предлоги и служебные слова, которые остаются в конце после сокращения.
Например, если просто обрезать строку по количеству символов, можно получить что-то вроде:
Детский велосипед горный алюминиев
Такое название выглядит неаккуратно, поскольку последнее слово оказалось обрезано посередине.
Поэтому наша система сокращает текст только по границам слов.
Есть и другая распространённая проблема. Допустим, исходное название выглядело так:
Детский велосипед бренда X модели Y с дополнительными боковыми колёсами
После сокращения может остаться:
Детский велосипед бренда X модели Y с
Очевидно, что такое окончание выглядит странно и не несёт смысла. Поэтому дополнительно удаляются предлоги и служебные слова, оставшиеся без продолжения.
Такой подход позволяет быстро обработать большой объём данных и хорошо подходит для многих задач.
Однако у него есть ограничение: алгоритм не понимает смысл названия товара.
Например, если в конце названия находится цвет, материал или важная характеристика модели, обычный алгоритм может удалить именно её, хотя для покупателя эта информация может быть одной из самых важных.
Сокращение с помощью искусственного интеллекта
Когда требуется получить более качественный результат, мы используем современные языковые модели.
В отличие от обычного алгоритма, нейросеть анализирует смысл названия товара. Она может определить наиболее важные характеристики, убрать второстепенные слова, сократить отдельные формулировки и сохранить максимум полезной информации в рамках заданного ограничения по длине.
Фактически получается результат, близкий к тому, который сделал бы специалист вручную, но значительно быстрее.
Особенно заметна разница на больших каталогах, где качество названий напрямую влияет на восприятие карточек товаров покупателями.
Реальные примеры сокращения
| Исходное название | Сокращённое название |
|---|---|
| Ящик для хранения вина Доляна «Кальяри», 35×18 см, на 2 бутылки, дерево, бежевый | Ящик для вина Доляна Кальяри 35×18 см на 2 бутылки дерево |
| Японский сад камней настольный «Дзен. Колокол», с набором аксессуаров, 15×14×13 см | Настольный японский сад камней Дзен Колокол 15×14×13 см |
| Эфирное масло для доливки в диффузор «Океан», длительного действия, 30 мл | Эфирное масло для диффузора Океан длительного действия 30 мл |
| Шампунь для волос восстанавливающий, с экстрактом макадамии, 750 мл | Шампунь восстанавливающий с экстрактом макадамии 750 мл |
| Термокружка Мастер К Coffee, 500 мл, сохраняет тепло 8 ч, нержавеющая сталь, чёрная | Термокружка Мастер К Coffee 500 мл нержавейка чёрная |
Как видно из примеров, задача заключается не просто в уменьшении количества символов.
Например, в случае с ящиком для вина ИИ не просто удалил часть текста, а сократил формулировку «для хранения вина» до более компактного варианта «для вина», сохранив смысл.
В примере с термокружкой были удалены второстепенные маркетинговые характеристики, но сохранены объём, материал и цвет — параметры, которые обычно важны покупателю при выборе товара.
Именно поэтому современные языковые модели часто позволяют получить более качественный результат по сравнению с обычным сокращением по формальным правилам.
Что показывает опыт
На практике мы сталкивались с каталогами, содержащими более 500 000 товаров. В таких объёмах ручное сокращение названий становится практически невозможным.
Именно поэтому мы тестировали различные подходы — от классических алгоритмов до современных языковых моделей.
Мы пришли к выводу, что единого универсального решения не существует.
Если необходимо максимально быстро обработать большой каталог, часто достаточно обычного алгоритма.
Если же важно сохранить смысл названий и получить максимально качественный результат, лучше использовать искусственный интеллект.
Стоит отметить, что в таких случаях с ИИ мы взаимодействуем, конечно же, без человеческого участия и не отдельно по каждому товару, а массово через API нейросетей.
На практике оба подхода успешно работают, просто применяются для разных задач.
Какой подход выбрать
Если главная цель — быстро привести названия к требуемой длине, программного алгоритма обычно достаточно.
Если же важно сохранить наиболее значимые характеристики товара и получить максимально качественные названия, лучше использовать современные технологии искусственного интеллекта.
Мы используем оба варианта обработки и подбираем подход в зависимости от особенностей каталога, объёма данных и требований конкретной площадки.
Tovaroved — автоматизация работы с товарными каталогами
- массовое создание карточек товаров;
- импорт данных из XML, YML, CSV, Excel и API;
- автоматическое обновление остатков;
- автоматическое обновление цен;
- расчёт безубыточных и минимальных цен;
- управление акциями на маркетплейсах.
Если перед вами стоит задача обработки большого каталога товаров, будем рады помочь подобрать подходящее решение.
