基于ChatGPT的电商自动选品系统：技术实现与避坑指南

2次阅读

共计 2511 个字符，预计需要花费 7 分钟才能阅读完成。

随着电商平台 SKU 数量的爆发式增长，人工选品面临巨大挑战：

效率瓶颈 ：运营人员每天需要浏览数百个商品页面，分析数十个维度指标，单个选品决策耗时长达 15-30 分钟
主观偏差 ：人工判断容易受个人偏好影响，同一商品在不同运营手中可能得到相反结论
规模限制 ：头部电商平台周均上新量超过 10 万 SKU 时，传统方法需要配置 50 人以上的选品团队
成本压力 ：资深选品专家年薪普遍在 30-50 万区间，年人力成本超过千万级别

当前主流自动选品方案的技术指标对比：

方案类型	准确率	召回率	开发成本	维护难度
规则引擎	65-75%	40-50%	低	高
传统机器学习	78-85%	60-70%	中	中
LLM（ChatGPT）	82-90%	75-85%	中	低

选择依据 ：
1. 规则引擎依赖人工定义特征权重，难以应对长尾商品
2. 传统 ML 需要标注大量训练数据，模型迭代周期长
3. ChatGPT 具备 zero-shot 能力，可直接理解商品文本特征

特征提取流程 ：
商品标题→关键实体识别（品牌 / 型号 / 规格）
商品描述→去除停用词后的 TF-IDF 向量
用户评论→情感分析得分（使用 TextBlob 库）
类目信息→层次化编码（三级类目转 one-hot）

向量化存储 ：

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer(max_features=500)
title_vectors = tfidf.fit_transform(df['product_title'])

基础模板 ：

 你是一个专业的电商选品助手，请根据以下商品特征推荐相似爆款商品：[商品标题]:{title}
[商品类目]:{category}
[价格区间]:{price}
[用户评分]:{rating}
要求：1. 推荐 3 个最匹配的商品 ID
2. 说明推荐理由
3. 用中文回复

关键参数 ：
– temperature=0.3（平衡创意与稳定性）
– max_tokens=500（控制响应长度）
– top_p=0.9（避免生成无关内容）

去重逻辑 ：
基于商品标题的 Jaccard 相似度（阈值 >0.7 判为重复）
价格带过滤（排除超出±30% 区间的推荐）

排序算法 ：

def sort_recommendations(recs):
    return sorted(recs, 
           key=lambda x: (x['match_score'], x['sales_volume']), 
           reverse=True)

import openai
import logging

class ProductRecommender:
    def __init__(self, api_key):
        openai.api_key = api_key
        self.logger = logging.getLogger(__name__)

    def get_recommendations(self, product_data):
        """
        调用 ChatGPT API 获取选品推荐
        :param product_data: 包含 title/category/price 等字段的 dict
        :return: 推荐结果列表
        """
        try:
            prompt = self._build_prompt(product_data)
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}],
                temperature=0.3,
                max_tokens=500
            )
            return self._parse_response(response.choices[0].message.content)

        except Exception as e:
            self.logger.error(f"API 调用失败: {str(e)}")
            return []

    def _build_prompt(self, data):
        """构建 Prompt 模板"""
        return f""" 根据以下商品特征推荐 3 个最匹配的商品：标题：{data['title']}
        类目：{data['category']}
        价格：{data['price']} 元
        评分：{data['rating']}/5
        要求：返回商品 ID 和推荐理由 """

指数退避重试 ：

import time

def call_with_retry(api_func, max_retries=3):
    for i in range(max_retries):
        try:
            return api_func()
        except openai.error.RateLimitError:
            wait_time = 2 ** i + random.random()
            time.sleep(wait_time)

本地缓存策略 ：
对相同特征的商品请求缓存 24 小时
使用 Redis 存储推荐结果

监控仪表盘指标：
每日 token 消耗趋势
平均每次请求 token 数
无效请求占比
优化技巧：
限制 prompt 长度（截断过长的商品描述）
使用 gpt-3.5-turbo 替代 gpt-4

事实校验机制 ：
将推荐商品与数据库真实 SKU 比对
设置黑名单过滤不存在商品

置信度打分 ：

def check_confidence(response):
    """检测响应中是否包含不确定表述"""
    low_confidence_phrases = ["可能", "也许", "建议", "不确定"]
    return not any(phrase in response for phrase in low_confidence_phrases)