零售电商实验室本期聚焦「商品属性补全」这一基础但高频的问题。商品上架时，材质、规格、适用场景等关键属性常因商家填写不规范而缺失，直接影响搜索召回、筛选准确率与退货率。
实验路径分三步：一是以类目属性字典为约束，让多模态模型同时读取标题、主图与详情页文本，输出结构化属性；二是对图文冲突做交叉校验，例如主图标示「不锈钢」而标题写「塑料」，则标记为待核；三是设定置信度阈值，高置信自动写入，低置信进入人工复核队列。
阶段性进展（内部测试，5个类目约2.1万SKU）：关键属性自动填充率约76%，其中高置信部分抽检准确率约92%；图文冲突识别召回约85%。相比纯文本抽取基线，引入主图信息后，材质与颜色类属性的错误率下降较为明显。
下一步计划：把属性补全结果反哺搜索筛选与退货原因归因，验证「属性缺失—退货」的关联强度；同时测试换季上新高峰期的批量吞吐能力与复核队列的排队策略。
评论