要用 AI 建立產品分類體系，先定義穩定的商品概念和商業規則，再讓模型建議標籤或歸類。其後用普通、邊界、多歸屬、資料不足、新商品和本地化樣本壓力測試。商品營運與數據治理負責人必須裁決歧義並批准生產變更。

負責任使用 AI 的流程可協助你把候選結構與獲批真源分開。本文針對面向消費者或內部營運的商品目錄，不處理文件分類、採購支出、數據庫欄位或組織部門，也不授權 AI 直接改寫線上目錄。

關鍵要點

定義概念，而不只設計吸引的標籤。

每個節點都有穩定 ID、範圍、包含和排除規則。

分開商品類型、屬性、款式、用途、客群和受規管狀態。

單一標籤會誤導時，保留 multi_fit 和 unknown。

透過已標註樣本和獨立人工裁決測試邊界。

分類體系、映射、測試和遷移必須共同版本化。

步驟 1：定義 AI 產品分類體系

產品分類體系是一組受治理的商品概念與關係。可見導覽標籤只是表現形式，真正穩定的單位是帶身份、定義、範圍、關係和決定規則的概念。

W3C SKOS 把概念和標籤分開，並支持首選標籤、替代標籤、定義、註釋和上下級關係。［1］GS1 GPC 同樣以層級和屬性按共同特徵組織商品。［2］這些是設計原則，不代表每個目錄都必須照搬外部標準。

欄位	用途
分類體系版本	標識獲批結構
Concept ID	不隨文字變化的穩定鍵
首選標籤與 locale	面向用戶或操作員的名稱
同義詞和棄用詞	支持搜尋與遷移
定義	明確概念含義
包含規則	說明哪些商品符合該概念
排除規則	區分相近的鄰接概念
父子 ID	以身份維護層級
必需屬性	歸類所需證據
款式規則	分開尺寸、顏色、套裝和型號
正反例	讓邊界可覆核
負責人和修訂	控制變更

明確目錄工作和決定人

說明分類體系要支持瀏覽、搜尋篩選、報表、外部平台、履約規則還是其他目標。一棵面向購物者的樹與會計或倉庫分類不同，並不表示其中一方錯誤。

指定分類體系、類目、商品數據、本地化、受規管商品和生產部署負責人。凍結輸入庫存和目前版本。AI 可以提出候選結構，但不能決定商業策略、法律分類、安全義務或用戶語言。

步驟 2：把商品類型與其他維度分開

不少薄弱的分類體系把不同的問題混在一棵樹內。「跑鞋」「紅色」「女裝」「減價」「防水」和「品牌 X」可能都成了同級節點，儘管它們分別代表商品類型、顏色、受眾、推廣、功能和品牌。

設計節點之前，先畫一張維度圖：

商品類型：這件商品是甚麼；
功能或用途：它支援甚麼工作；
屬性：物料、容量、功率、相容性或特性；
變體：尺碼、顏色、包裝數量或型號選項；
受眾或合身程度：只在有根據而且恰當時使用；
商業狀態：價格、推廣、存貨或渠道；
管治狀態：受規管、受限制、危險品或設有年齡限制。

當用戶需要跨多個商品類型篩選時，便把該特性保留為屬性。只有當它代表一個邊界穩定、內涵一致的商品概念時，才建立類別。這樣可減少重複的分支，亦令含糊的歸類更易解釋。

步驟 3：草擬概念和關係

由目錄和用戶任務中提煉出一小組高價值的概念開始。為每個概念寫出淺白的定義、納入和排除規則、正例、反例、所需證據，以及與上位或下位概念的關係。

GS1 說明，GPC 透過 segment、family、class 和 brick 等層級為商品分類，並在適當層級附加屬性。［2］其入門資料亦提供了結構定義和標準維護資源。［3］把這視為「層級和屬性都需要管治」的證據，而不是要求把 GS1 的標籤照搬到每個目錄。

不要讓標籤承擔全部規則。沒有明確的上級和排除規則時，「配件」通常過於含糊。「其他」應是一個受監察的臨時結果，而不是一個永久的箱子，把概念缺口藏起來。

步驟 4：約束 AI 提議

提供概念紀錄、已批准的維度、最小化的商品樣本、容許的關係和明確的輸出結構。請它提出候選概念、對應、衝突和問題，而不是一棵完成的正式分類樹。

只使用所提供的商品事實和分類欄位。
保留商品 ID、概念 ID、locale、單位和欠缺值。
提出對應時引用所依據的輸入屬性，並說明信心理由。
AI 不得推斷成分、相容性、受眾、規管狀態或預期用途。
明確傳回 MULTI_FIT、INSUFFICIENT_INFO、NOVEL_CONCEPT 和 RULE_CONFLICT。
不要編輯已批准的分類體系或正式目錄。

NIST 的生成式 AI 設定檔強調虛構內容、資訊完整性、私隱和人機配置方面的風險。［5］嚴格的結構和人手審核可以降低這些風險，但並不會令模型的信心程度成為商品的事實屬性。

步驟 5：建立經裁決的分類體系測試集

由商品數據和類目專家按書面規則標註合成或獲批准的商品記錄。審核人意見衝突時，應先保留分歧並修訂規則，再把該樣本作為 gold set。

測試集包括正常商品、接近邊界的商品、合理多歸屬、資料不足、新概念、同義詞與本地化、款式和類型混淆，以及涉及兼容性、客群、安全和規管的禁止推斷。文件分類邊界測試使用相似思路，但商品分類必須保護商品概念和款式語義。

步驟 6：壓力測試歧義商品類別

每次測試固定分類體系版本、提示或映射邏輯和模型配置，保存候選概念、使用的證據欄位、替代概念、不確定狀態與審核決定。

測試混合用途充電器、欠缺裝置型號的替換帶、沒有年齡欄位的兒童風格商品、混合套裝、新材料和不同語言下的同一概念。分別計算覆蓋率、單分類一致率、多歸屬召回、unknown 識別、規則衝突率和各概念錯誤；單一平均準確率可能隱藏整個失敗類別。

商品案例	預期結果	需要防範的錯誤
兼顧桌面和旅行的混合型充電器	採用獲批的多歸屬或主要類型規則	強制分配單一標籤
未提供裝置型號的替換錶帶	資料不足	虛構兼容性
沒有年齡欄位的兒童風格設計	目標客群未知	推斷年齡組別
包含無關商品類型的套裝	採用套裝規則	按第一個名詞選擇類別
不在允許值中的新材料	新屬性	靜默替換為同義詞
同一概念使用兩個本地化標籤	一個概念配多個本地化標籤	建立重複概念

步驟 7：改變層級前先診斷錯誤

把每個錯誤歸入以下類別：商品資料欠缺、定義不清、概念重疊、維度錯誤、欠缺概念、同義詞或 locale 問題、模型轉換錯誤，或審核人之間的分歧。補救方法取決於原因。

以資料字典界定來源欄位和容許值，以資料驗證清單找出不完整的單位、識別碼和列舉值。不要為彌補一個有缺陷的商品資料來源而重組分類體系。

如果兩個概念重疊，便釐清納入、排除、優先和多重歸屬規則。如果需要新概念，便估算受影響的商品數目和對導覽的影響。如果審核人意見不一，便更新決策指引並重新裁決受影響的樣本，而不是讓多數票悄悄重新定義概念。

步驟 8：批准並安全遷移變更

準備一份附版本號的變更集，包括新增、修改、合併、拆分、移動和棄用的概念；新舊對應；受影響的商品數目；各 locale 標籤的改變；重新導向或導覽方面的影響；還原限制；以及批准紀錄。

切勿讓 AI 直接寫入正式目錄。先在凍結的副本上執行新的分類體系，覆核有改動的對應，測試下游資料來源和篩選項，並由目錄平台團隊負責分階段部署。如果只是標籤改變，便保持概念 ID 穩定。

Google Merchant Center 說明了其商品類別屬性，以及商戶提供的值與 Google 可能自動編配的類別之間的分別。［4］外部渠道可能有各自的結構和決定。把已批准的分類體系分別明確對應到每個渠道，而不是把某個外部類別當作內部的權威。

上線後如何維護？

監察「未知」數量、多重歸屬情況、人手推翻率、搜尋退出、零結果查詢、客戶服務意見、類別失衡和外部結構的改變。覆查錯誤佇列中的樣本，而不只是高流量的成功歸類。

使用提示基準測試流程維持一套可重複的評估集。當分類體系、提示、模型、欄位對應、locale 規則或商品資料來源改變時，重新執行同一個保留集，並按類別比較結果。

管治規則改變時，不要覆寫歷史測試標籤。為預期結果建立版本並說明原因。這樣團隊才能分辨「模型變好了」與「業務規則變了」。

常見失敗方式

只由標籤開始： 先界定穩定的概念和規則。
混淆類別與屬性： 把商品類型、功能、變體和商業狀態分開。
強行只歸一類： 在政策容許時，保留多重歸屬和「未知」結果。
推斷欠缺的商品事實： 把不完整的紀錄退回資料負責人。
把模型信心當作證據： 引用實際的屬性和書面規則。
只優化平均準確率： 檢查各類別和邊界樣本的錯誤。
直接修改正式環境： 使用附版本的審核、遷移和還原控制。
盲目照搬外部層級： 按目錄已批准的用途對應標準和渠道。

總結

明確目錄工作、維度、負責人和輸入庫存。
為概念設定穩定身份、定義、邊界、關係和樣本。
AI 只提出候選映射和明確異常狀態。
測試正常、邊界、多歸屬、未知、新概念和 locale 場景。
區分數據、規則、概念、模型和裁決錯誤。
生產遷移前完成版本化批准。

常見問題

產品分類體系就是導覽選單嗎？

不是。選單只是部分概念的展示；分類體系還承載穩定身份、定義、關係、本地化標籤、映射和治理。

AI 能只根據商品標題建立類別嗎？

它可以建議候選，但標題經常不完整或帶推廣措辭。材質、功能、兼容性和套裝內容必須由數據支持。

每件商品必須只有一個類別嗎？

取決於獲批規則。系統可以要求一個主要類型，同時允許多條發現路徑或篩選屬性。

甚麼是歧義類別樣本？

商品事實支持多個概念、與規則衝突、欠缺必要證據或暴露定義重疊時，就是歧義樣本；歧義是審核狀態，不是猜測許可。

測試集應有多大？

它應覆蓋重要概念、常見商品、低頻高影響錯誤和全部設計邊界。大量來自單一簡單類別的樣本並不能提供有力證據。

能否按模型置信度決定審核範圍？

不能單獨依賴它。還要結合校準結果、類別風險、新穎性、缺失欄位、規則和變更影響。

甚麼時候應新增概念？

當穩定商品類型或用戶工作確實欠缺，並且治理負責人批准邊界時。短期潮流、欠缺屬性或一條差劣標題不足以建立新概念。

多語言分類體系如何處理？

把概念身份與本地化標籤分開，由 locale 專家審核首選和替代詞，並測試翻譯是否意外建立重複概念。

免責聲明： 本文只提供一般目錄治理和 AI 風險資訊，不決定商品法律分類、安全義務、受規管狀態、平台合規或商業策略。

來源

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 2026 年 9 月 6 日。

如何用 AI 建立並壓力測試產品分類體系：概念邊界與歧義樣本裁決