我正在尝试将来自两个不同网站的对象进行配对。由于它们没有使用通用ID，所以我需要手动完成这项工作。

其中一个网站还采用了一种奇怪的方式来内部识别项目。我不知道如何将它们配对。目前，我尝试使用它们似乎共同采用的方式来划分项目：- 类别（室内使用、室外使用、纸张、金属、笔、食品用途等）- 产品（“微软小部件A”、“MS小部件B”）- 项目（10厘米红色、200米蓝色纸制等）

例如，项目可能是同一产品在某个网站（网站A）上的不同尺寸（1.5厘米、10厘米、100厘米），而另一个网站则以不同的方式“分割”。一个产品可以根据数量/颜色/尺寸划分为项目。这意味着我可以有网站A：产品小部件A，红色项目：10厘米、20厘米、100厘米；网站B：产品小部件A，项目：红色10厘米、红色20厘米、红色100厘米、蓝色10厘米、蓝色100厘米

另一个问题是类别定义方式不同，网站A可能称之为“用于水的户外小部件”，而另一个网站则有“户外”和“用于水的小部件”作为子类别。更糟糕的是，它们使用不同的措辞。

目前，为了尝试解决这个问题，我手动将网站A的主要类别与网站B进行配对，并将所有子类别的项目视为父类别的项目。这不是最佳方案，因为网站B的一些类别可能排列不同（例如，有像“相关”这样的子类别，基本上链接到其他主要类别）。对于产品，我只是使用Levenshtein算法比较所有项目的名称，并将匹配度较高的产品组合。我使用网站A来定义如何分组产品，结果不理想，我没有将所有“小部件A”分组在一起，而是为“小部件A，红色”、“小部件A，蓝色”等配对。

有没有人有改进的想法？目前我有的想法是：

• 创建一个包含产品名称和主要项目特征的大字符串，并再次使用Levenshtein算法。
• 使用网站B作为主要网站进行比较。

我不是AI专家，但我见过帮助定义对象的算法，但没有一个是用于配对的。我可能需要编写一些东西来分类项目的特征（红色，10厘米）。也许还可以使用类别名称（例如：网站A：“用于水的户外小部件”和网站B：类别：“户外”，产品：“用于水的小部件”）。

回答：

如果有人碰巧阅读到我的问题，我最终使用余弦相似度构建了一些东西。

例如，请看这个：使用sklearn查找两段文本在大量文档中的字符串相似度