如何从产品名称中提取品牌

Question

我有两个网站，我手上有数据，现在我想用这些数据做分析

品牌名称+产品名称

http://www.thehut.com/jeans-clothing/men/clothing/brave-soul-men-s-cardiff-jeans-denim/10741907.html

在上述网站中，产品名称是

^{pr2}$

品牌名称是

Brave Soul

所以我只想要

Brave Soul

亚马逊网络链接

http://www.amazon.in/gp/product/B00L8WT2UI

同样在上面的网站上，产品名称是

Apple iPhone 5c (White, 8GB)

品牌名称是

Apple

所以我想要输出

Brave Soul
Apple

Answer 1

我不打算在这里提出具体的算法，但我想指出的是，即使在没有监督的情况下，拥有足够大的此类字符串数据库，也可以发现某些模式（即信息实际上就在那里）。首先，品牌名称将在多个字符串中重复，并且始终是字符串的前缀。这一假设将提供一个强有力的先验信息来判断分离的位置。其次，通过了解潜在品牌假设和产品名称之间的关联，可以攻击模棱两可的案例（苹果记录）（例如，只要苹果不生产记录，而且有一个强有力的假设，即苹果唱片是一个品牌，因为它重复多次，这种模棱两可的情况就可以成功解决）。在

Answer 2

你想要得到的信息实际上并不存在。在

如果你取两个字符串，这两个字符串都可能有任意数量的空格，然后用一个空格将它们连接在一起，就再也无法清楚地分辨出是哪个空间连接了这两个字符串，以及哪些空格是字符串的一部分。在

所以，你有几个选择：

首先，每个产品中的空间并不多，所以您可以尝试所有的可能性：品牌Brave和产品{}，然后是品牌Brave Soul和产品{}，然后是品牌Brave Soul Men's和产品{}，等等，其他3种可能性都可以。在

第二，如果你可以从其他地方获取所有品牌名称的列表，并将它们存储在set（或数据库表或其他任何东西）中，那么可以在对Amazon的相对较慢的web请求中尝试所有这些可能性之前对其进行预过滤。例如，如果你有一个所有品牌的列表，只需检查Brave、Brave Soul、Brave Soul Men's、Brave Soul Men's Swansea等中的哪个是真正的品牌，并且只测试这些品牌。在

同时，这仍然不是完美的，因为几乎可以肯定的是，有些案例是模棱两可的。那么，当你把一个品牌分开的时候，你又会怎样呢？你有两个有效的可能性，而不是一个。您所能做的就是设计您的代码以某种方式处理这些问题（并验证您是否正确地进行了单元测试）。在