Товарная таксономия с ИИ строится так: сначала определите устойчивые товарные понятия и бизнес-правила, а уже затем просите модель предложить названия и назначения. Затем проверьте таксономию на обычных, пограничных, подходящих под несколько категорий, неполных, новых и специфичных для локали товарах. Неоднозначность разрешают, а каждое изменение в рабочем каталоге утверждают владельцы мерчандайзинга и управления данными.

Ответственный процесс работы с ИИ помогает не смешивать предложения с утверждённой истиной. Здесь речь идёт о клиентском или операционном товарном каталоге, а не о классификации документов, закупочных расходов, полей базы данных или подразделений; руководство также не разрешает инструменту ИИ перестраивать работающий каталог.

Ключевые выводы

Определяйте понятия, а не только привлекательные названия.

Храните ID, область, правила включения и исключения для каждого узла.

Моделируйте тип товара, атрибуты, варианты, применение, аудиторию и регулируемый статус раздельно.

Сохраняйте multi_fit и unknown, если один ярлык вводит в заблуждение.

Проверяйте границы на размеченных примерах с независимым решением.

Версионируйте структуру, сопоставления, тесты и миграции вместе.

Шаг 1. Какой должна быть товарная таксономия с ИИ

Товарная таксономия — управляемый набор товарных понятий и отношений для последовательной организации товаров. Видимая навигационная метка является лишь представлением. Устойчивой единицей служит понятие с ID, определением, областью, связями и правилами решения.

SKOS W3C отделяет понятия от меток и поддерживает предпочтительные и альтернативные названия, определения и отношения «шире/уже» (broader/narrower).［1］ GS1 GPC использует иерархию и атрибуты для группировки товаров по общим характеристикам.［2］ Это полезные принципы проектирования, но внешний стандарт стоит принимать, только если его область и управление подходят бизнесу.

Используйте запись понятия такого вида:

Поле	Назначение
Версия	Идентичность утверждённой структуры
Concept ID	Ключ, не зависящий от названия
Метка и локаль	Название для клиента или оператора
Синонимы	Поиск и миграция старых терминов
Определение	Смысл понятия
Правило включения	Описывает товары, которые соответствуют понятию
Правило исключения	Отделяет близкие соседние понятия
Родитель и дети	Иерархические связи по ID
Обязательные свойства	Доказательства для назначения
Правило вариантов	Отделяет размер, цвет и модель от типа
Примеры	Положительные и отрицательные случаи
Владелец и ревизия	Управление изменениями

Определите задачу каталога и владельцев

Укажите, что должна поддерживать структура: навигацию, фасеты поиска, отчётность, внешние каналы или правила исполнения. Одна таксономия может не подходить для всех задач: иерархия для покупателя может отличаться от бухгалтерской или складской классификации, и ни одна из них не будет ошибочной.

Назовите владельца таксономии, категорий, товарных данных, локализации, регулируемых товаров и производственного развёртывания. ИИ может предложить структуру, но не решает коммерческую стратегию, правовую классификацию, ограничения безопасности или язык для клиентов.

Зафиксируйте входной перечень товаров и текущую версию таксономии. Сохраните идентичность товара, исходные атрибуты, существующие назначения, локаль, канал продаж и значимый статус политики. Удалите данные о клиентах, продавцах, договорах и конфиденциальные коммерческие сведения, не нужные для проектирования понятий.

Шаг 2. Отделите тип товара от других измерений

Слабые структуры смешивают «кроссовки», «красный», «женский», «скидка», «водостойкий» и бренд как соседние категории. Это тип, цвет, аудитория, коммерческое состояние, свойство и бренд.

До проектирования узлов составьте карту измерений:

тип товара: что это за предмет;
функция или применение: какую задачу он поддерживает;
атрибут: материал, ёмкость, мощность, совместимость или свойство;
вариант: размер, цвет, количество в упаковке или модификация;
аудитория или посадка: только когда это подтверждено и уместно;
коммерческое состояние: цена, акция, наличие или канал;
состояние управления: регулируемый, ограниченный, опасный товар или товар с возрастным ограничением. Оставляйте характеристику атрибутом, если по ней нужно фильтровать несколько типов. Создавайте категорию, только когда она представляет цельное товарное понятие с устойчивыми границами. Это сокращает дублирующиеся ветки и упрощает объяснение неоднозначных назначений.

Шаг 3. Создайте понятия и отношения

Начните с небольшого набора ценных понятий, выведенных из каталога и задач пользователей. Для каждого понятия напишите простое определение, правила включения и исключения, примеры, контрпримеры, необходимые данные и связи. GS1 описывает уровни segment, family, class и brick и поддерживает схемы сопровождения стандарта.［2］［3］ Это показывает необходимость управления, но не обязывает копировать их названия.

«Аксессуары» без родителя и исключений обычно слишком расплывчато. «Другое» следует отслеживать как временный результат, а не использовать для сокрытия пробелов.

Шаг 4. Ограничьте предложение ИИ

Передайте записи понятий, утверждённые измерения, минимизированную выборку товаров, допустимые связи и явную схему вывода. Просите кандидатов в понятия, сопоставления, конфликты и вопросы, а не готовое рабочее дерево.

Используй только предоставленные факты о товарах и поля таксономии.
Сохрани ID товаров, ID понятий, локаль, единицы и пропущенные значения.
Предлагай сопоставления со ссылкой на входные атрибуты и объяснением уверенности.
Не выводи состав, совместимость, аудиторию, регулируемый статус или назначение.
Явно возвращай MULTI_FIT, INSUFFICIENT_INFO, NOVEL_CONCEPT и RULE_CONFLICT.
Не изменяй утверждённую таксономию или рабочий каталог.

Профиль NIST по генеративному ИИ подчёркивает риски конфабуляции, целостности информации, приватности и конфигурации взаимодействия человека и ИИ.［5］ Строгая схема и проверка человеком снижают эти риски, но не делают уверенность модели фактическим свойством товара.

Шаг 5. Создайте размеченный тестовый набор для таксономии

Создайте репрезентативный набор синтетических или утверждённых записей о товарах. Специалисты по товарным данным и категориям размечают ожидаемые результаты по письменным правилам. Если проверяющие не согласны, сохраните спор и уточните правило до превращения примера в эталон.

Включите как минимум такие группы тестов:

обычные примеры с полными атрибутами;
пограничные примеры, которые соответствуют одному понятию и почти соответствуют другому;
товары, законно подходящие под несколько понятий;
записи с недостатком сведений;
новые товары вне текущей структуры;
синонимы, варианты написания и метки для конкретных локалей;
ловушки «вариант против типа товара»;
запрещённые выводы об аудитории, безопасности, совместимости или регулировании.

Классификация документов использует похожие тестовые идеи, но метки, доказательства и цена ошибок там другие: товарная таксономия должна сохранять товарные понятия и смысл вариантов, а не темы документов.

Шаг 6. Испытайте неоднозначные категории товаров

Запускайте тесты против фиксированной версии таксономии, логики, подсказки и модели. Сохраняйте предложенное понятие, использованные свойства, альтернативу, состояние неопределённости и решение проверяющего.

Используйте таблицу неоднозначных случаев:

Товарный случай	Ожидаемый результат	Риск ошибки
Гибридное зарядное устройство для стола и поездок	Утверждённое правило multi-fit или основного типа	Принудительная единственная метка
Сменный ремешок без модели устройства	Недостаточно информации	Выдуманная совместимость
Детский дизайн без поля возраста	Аудитория неизвестна	Выведенная без доказательств возрастная группа
Набор из несвязанных типов товаров	Правило для наборов	Категория выбрана по первому существительному
Новый материал вне разрешённых значений	Новый атрибут	Молчаливая подмена синонимом
Одно понятие под двумя локальными метками	Одно понятие с локализованными метками	Дублирование понятий

Измеряйте покрытие, согласие при точном совпадении там, где требуется одна метка, полноту распознавания нескольких подходящих понятий, выявление неизвестного, долю конфликтов правил и распределение ошибок по понятиям. Одна средняя точность может скрыть категорию, которая проваливает все пограничные случаи.

Шаг 7. Сначала диагностируйте причину ошибки

Относите каждую ошибку к одной из причин: отсутствующие данные о товаре, нечёткое определение, пересекающиеся понятия, неверное измерение, отсутствующее понятие, проблема синонимов или локали, ошибка преобразования моделью или разногласие проверяющих. Исправление зависит от причины.

Словарь данных определит поля, а контрольный список данных найдёт отсутствующие единицы и недопустимые значения. Не перестраивайте таксономию, чтобы компенсировать сломанный товарный фид.

Если два понятия пересекаются, уточните правила включения, исключения, приоритета и нескольких подходящих понятий. Если нужно новое понятие, оцените затронутые товары и последствия для навигации. Если проверяющие расходятся, обновите руководство по решениям и заново разметьте затронутые примеры, а не позволяйте голосованию большинства молча переопределить понятие.

Шаг 8. Утвердите и безопасно перенесите изменения

Подготовьте версионированный пакет изменений: добавленные, изменённые, объединённые, разделённые, перемещённые и устаревшие понятия, старые и новые сопоставления, затронутые товары, локальные названия, влияние на перенаправления и навигацию, пределы отката и записи об утверждении.

ИИ не должен писать прямо в производственный каталог. Прогоните новую таксономию на замороженной копии, проверьте изменённые сопоставления, протестируйте последующие фиды и фасеты и используйте поэтапное развёртывание под управлением команды платформы каталога. Сохраняйте стабильные ID понятий, если меняется только метка. Google Merchant Center документирует атрибут категории товара (product category) и разницу между значениями, которые передаёт продавец, и категориями, которые Google может присвоить автоматически.［4］ У внешних каналов могут быть собственные схемы и решения, поэтому явно сопоставляйте утверждённую таксономию с каждым каналом, а не считайте одну внешнюю категорию внутренней истиной.

Как сопровождать таксономию?

Отслеживайте объём неизвестных случаев и случаев с несколькими подходящими понятиями, долю ручных переопределений, выходы из поиска, запросы без результатов, обратную связь поддержки, дисбалансом категорий и изменениями внешних схем. Проверяйте очередь ошибок, а не только успешные массовые товары.

Сохраняйте повторяемый набор через тестирование подсказок. При изменении таксономии, запроса, модели, сопоставления полей, правил локали или товарного фида прогоняйте тот же отложенный набор и сравнивайте результаты по категориям.

Не перезаписывайте исторические тестовые метки при изменении правил управления: версионируйте ожидаемый результат и объясняйте причину. Так команда отличит лучшую модель от изменившегося бизнес-правила.

Типичные ошибки

Начинать только с названий: определите устойчивые понятия и правила.
Смешивать категории и атрибуты: разделяйте тип товара, свойство, вариант и коммерческое состояние.
Принудительно выбирать одну категорию: сохраняйте результаты «несколько понятий» и «неизвестно», если политика это позволяет.
Додумывать недостающие факты о товаре: возвращайте неполные записи владельцам данных.
Считать уверенность модели доказательством: ссылайтесь на реальные атрибуты и письменные правила.
Оптимизировать только среднюю точность: изучайте ошибки по категориям и пограничным случаям.
Менять рабочий каталог напрямую: используйте версионированную проверку, миграцию и откат.
Слепо копировать внешнюю иерархию: сопоставляйте стандарты и каналы с утверждённым назначением каталога.

Итоги

Определите задачу каталога, измерения и владельцев.
Дайте понятиям ID, определения, границы и примеры.
Ограничьте ИИ предложениями и явными исключениями.
Проверяйте обычные, пограничные, многозначные, неизвестные, новые, вариантные и локальные случаи.
Отделяйте ошибки данных, правил, понятий, модели и разметки.
Утверждайте версию до производственной миграции.

Часто задаваемые вопросы (FAQ)

Таксономия равна меню навигации?

Нет. Меню представляет часть понятий, а таксономия также хранит идентичность, определения, связи, локальные метки и правила.

Может ли ИИ создавать категории только по названию товара?

Он может предложить кандидатов, но названия часто неполны или рекламны. Могут понадобиться материал, функция, совместимость, состав набора, единицы и поля политики, а недостающие факты должны оставаться неизвестными.

Каждый товар должен иметь одну категорию?

Это зависит от правил. Система может требовать один основной тип и одновременно позволять несколько путей или фасетов.

Что такое неоднозначный случай?

Это товар, факты которого поддерживают несколько понятий, конфликтуют с правилом или не содержат обязательных сведений. Неоднозначность требует проверки.

Какого размера нужен тестовый набор?

Он должен покрывать важные понятия, частые товары, дорогие ошибки и все границы. Большой набор из одной лёгкой категории неубедителен.

Можно ли направлять проверку по уверенности модели?

Не только по ней. Учитывайте калибровку, риск категории, новизну, пропуски, правила и масштаб изменения.

Когда добавлять новое понятие?

Когда устойчивый тип или пользовательская задача отсутствует и владелец утверждает границы. Один тренд или плохое название не достаточны.

Как обрабатывать разные языки?

Отделяйте ID понятия от локальных меток, привлекайте языковых специалистов и проверяйте, не породил ли перевод дубликат понятия.

Отказ от ответственности: Материал содержит общую информацию об управлении каталогом и рисками ИИ и не определяет правовую классификацию, безопасность, требования площадок или стратегию.

Источники

W3C, SKOS Simple Knowledge Organization System Primer — https://www.w3.org/TR/skos-primer/
GS1, How Global Product Classification Works — https://www.gs1.org/standards/gpc/how-gpc-works
GS1, Get Started with Global Product Classification — https://www.gs1.org/standards/gpc/get-started
Google Merchant Center, Product category attribute — https://support.google.com/merchants/answer/6324436?hl=en
NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 6 сентября 2026 г.

Товарная таксономия с ИИ: создание и стресс-тест категорий