我遇到了一个要解决的问题：
问题在下面解释：
该公司维护着其销售的所有产品（目前将近4,500）的规格数据集。现在，每个客户共享他/她想从公司购买的产品的详细信息（名称，数量，品牌等）。现在，客户在其数据集中输入详细信息时可能会错误地拼写产品名称。同样，可以通过公司数据集中的许多不同方式引用产品。例如：红色冷风可以称为古特尔冷风，整个红色冷风，带茎的红色冷风，不带茎的红色冷风等。
我对如何解决这个问题感到非常困惑。我应该使用任何基于机器学习的技术吗？如果是，请给我解释该怎么办。或者，如果无需机器学习就可以解决此问题，那么也请解释您的方法。我正在使用Python。
挑战：客户可以通过多种方式引用产品，并且公司还可以通过多种方式存储具有不同规格（例如名称，数量，度量单位等）的单个产品。标记数据集我可以发现，红牛能量饮料（客户输入的数据）是红牛（标签），红牛（客户输入的）也是红牛。但是找到这个标签有什么用？因为在我的公司数据集中，红牛也以多种方式出现。同样，我必须找到公司数据集中出现的所有不同名称的红牛。
我的方法： 我将准备这样的Python字典：
{
"red chilly" : ['red chilly', 'guntur chilly', 'red chilly with stem'],
"red bull" : ['red bull energy drink', 'red bull']
}
词典中的每个条目都是一个产品。其键是产品的主干名称的种类，值是产品的所有可能名称。现在，客户输入产品名称，例如红牛能量饮料。我将检查字典中的每个键。如果该键的任何值匹配，那么我将理解该产品实际上是红牛，并且在公司数据集中这两种方式都可以称为红牛和红牛能量饮料。这种方法怎么样？
答案 0 :(得分：1)
如果您可以访问产品的所有可能的用法名称，那将是最好的情况，您要做的就是检查用户输入的名称是否属于同义词。强大的数据库系统应该可以轻松地处理5000种产品，其中包括10个同义词，每个同义词都具有理想的模式。
让我们说如果您不能使用同义词，但可以访问产品的详细英语描述，那么您可以在描述中搜索用户输入的名称。可以使用Apache Solr之类的搜索引擎，该引擎使用基于TFIDF的反向索引。那么SOLR作为最佳结果返回的文档将是相应的产品。简而言之，将您的描述记录到solr中，并在solr中搜索用户输入的产品名称。请注意，只要您的用户不会将香蕉称为“黄色圆柱状水果”，这便是基于词典而不是基于语义而是基于词典的语言就足够了。
是称为嵌入的良好分布式矢量表示形式（word2vec，手套）。嵌入的重要重要之处在于相关词之间的距离应很小。但是，这些向量对您不利，因为您拥有的是短语而不是单词（红色是单词，而红色冷颤是短语）。在开源中，没有很好的针对向量嵌入的预训练短语。如果要使用基于向量相似性的模型，则必须构建自己的短语2vec模型。因此，假设您能够构建一个phrase2vec模型，则必须找到与客户键入的产品名称的向量接近的向量（与产品相对应）。