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进行分析。

我有两个产品名称(品牌+产品名称)，我只想提取品牌名称

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

在上面的网站中，产品名称是

Brave Soul Men's Swansea Jeans - Denim

品牌名称是

Brave Soul

所以我只想

Brave Soul

亚马逊网络链接

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

类似地，在上面的网站中，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

你想要得到的信息其实并不存在。

如果您使用两个字符串，这两个字符串都可能有任意数量的空格，并将它们与一个空格连接在一起，那么就不可能清楚地知道哪个空间正在连接这两个字符串，以及哪个空间是字符串的一部分。

所以，你有几个选择：

首先，每个产品中没有太多的空间，所以您可以尝试所有的可能性:品牌Brave和ProductSoul Men's Swansea Jeans - Denim，然后是Brave Soul和ProductMen's Swansea Jeans - Denim，然后是品牌Brave Soul Men's和ProductSwansea Jeans - Denim，等等。

其次，如果你能从其他地方抓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，你可以预先筛选这些可能性，然后再在相对缓慢的网络请求中尝试所有这些可能性。例如，如果您有所有品牌的列表，只需检查Brave、Brave Soul、Brave Soul Men's、Brave Soul Men's Swansea等中哪些是实际的品牌，并只测试这些品牌。

同时，这仍然不是完美的，因为几乎可以肯定有一些情况是模棱两可的。例如，有一个品牌Apple，也有一个品牌Apple Records，那么当您试图拆分Apple Records Master Collection时会发生什么呢？你有两种有效的可能性，不仅仅是一种。您所能做的就是设计您的代码，以某种方式处理它(以及您正确地进行的单元测试)。

Answer 2

我不打算在这里提出具体的算法，但我只想指出，即使在一个没有监督的情况下，拥有足够大的这样的字符串数据库，也可以发现某些模式(即实际存在的信息)。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。这一假设将为分离的位置提供一个强有力的先验条件。其次，模糊案例(苹果记录)可以通过学习潜在品牌假设与产品名称之间的关联来攻击(例如，只要苹果不产生记录，而且有一个强有力的假设，即苹果记录是一个品牌，因为它多次重复，这种模糊性就可以成功地解决)。