零售 / 电子商务
Shopify：更换商品分类模型
- 企业
- Shopify
- 国家
- 加拿大
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
根据Shopify技术博客的文章，Shopify处理从手工首饰到工业设备等数百万商家的商品，只有理解商品的类别和属性，才能改进搜索、发现和推荐。同一篇文章解释说，2018年以TF-IDF和逻辑回归起步的分类随着商品日益复杂多样而显出局限，2020年引入同时使用图片和文字的方法后，仅靠分类仍不足以理解商品。同一篇文章称，到2023年初，Shopify需要比分类更细的商品理解、全平台一致的分类体系、按类别抽取属性、简化商品描述和内容标签等metadata，以及内容安全功能。
使用的技术与数据
同一篇文章解释说，Shopify把涵盖超过26个行业、1万多个商品类别和1,000多个属性的Shopify Product Taxonomy与Vision Language Model结合起来。根据同一篇文章，模型从LLaVA 1.5 7B经过LLaMA 3.2 11B，如今换成Qwen2VL 7B，每次更换都与现有pipeline比较性能指标和计算成本。同一篇文章称，Dataflow pipeline调用模型服务两次，先生成类别和简化描述，再带入该类别预测属性。根据同一篇文章，服务在使用NVIDIA GPU的Kubernetes cluster上通过Nvidia Dynamo运行，用FP8量化、in-flight batching和KV cache提高处理量，把类别和属性预测当作transaction处理，要求两者都成功，部分失败时自动重试。根据同一篇文章，训练数据使用多个LLM为每件商品分别标注的标签，标签不一致时由担任裁判的专用模型整理。同一篇文章解释说，人工挑出复杂案例和新出现的商品类型进行审核，并通过定期质量审计维持标注标准。
成果
根据同一篇文章，商家接受了85%的预测类别，该系统每天进行超过3000万次预测，并处理了数十亿件历史商品。同一篇文章称，层级精确率和召回率比之前的神经网络方法提高了一倍。同一篇文章解释说，准确的分类改善了搜索相关性和税费计算，自动属性标签减少了商家的手工作业，属性体系已扩展到所有商品类别，也用于自动内容审核。
局限与待解问题
文章没有说明85%的接受率和一倍的提升是在什么期间、用什么样本测得的，也没有写明换成现在的Qwen2VL 7B的时间，本次调查也没有确认销售额等业务指标的变化。
来源
本案例根据公开资料整理，并非 ATF Works 客户的成果。