Python+机器学习：字符串匹配问题

我有一个问题要解决：

问题解释如下：

该公司保存了一个数据集，用于记录目前销售的近4500种产品的规格。现在，每位客户都会分享他/她想从公司购买的产品的详细名称、数量、品牌等。现在，客户在其数据集中输入详细信息时可能会拼写错误的产品名称。此外，在公司数据集中，产品可以通过多种不同的方式引用。例如：红辣椒可以被称为guntur辣椒、全红辣椒、带茎红辣椒、无茎红辣椒等

我完全不知道如何处理这个问题。我应该使用任何基于机器学习的技术吗？如果是，请告诉我该怎么做。或者，如果不需要机器学习就可以解决这个问题，那么也可以解释一下你的方法。我正在使用Python

挑战：客户可以通过多种方式参考产品，而公司也可以通过多种方式存储单个产品，并提供不同规格的产品，如名称、数量、，计量单位等。通过标记数据集，我可以发现客户输入的红牛能量饮料数据是红牛标签，客户输入的红牛也是红牛。但是找到这个标签有什么用呢？因为在我的公司里，红牛在很多方面都存在。再次，我必须找到红牛在公司数据集中的所有不同名称

我的做法： 我将准备一本Python字典，如下所示：

{
"red chilly" : ['red chilly', 'guntur chilly', 'red chilly with stem'],
"red bull" : ['red bull energy drink', 'red bull']
}

词典中的每个条目都是产品。其键是产品的干名称，值是产品的所有可能名称。现在，客户输入一个产品名称，称为红牛能量饮料。每把钥匙我都要查字典。如果该关键点的任何值相匹配，那么我会理解该产品实际上是红牛，它可以被称为红牛和红牛能量饮料，在公司数据集中都是如此。这种方法如何？

最佳情况 如果您可以访问产品的所有可能使用名称，那么这将是最好的情况，您所要做的就是检查用户输入的名称是否属于同义词。5000个产品，比如说10个同义词，每个同义词都有一个理想的模式，应该可以由一个强大的数据库系统轻松处理

基于搜索引擎的解决方案 假设您无法访问同义词，但可以访问产品的详细英文描述，那么您可以在描述中搜索用户输入的名称。可以使用搜索引擎，比如ApacheSolr，它使用基于TFIDF的反向索引。SOLR作为顶级结果返回的文档将是相应的产品。简而言之，将文档描述索引到solr中，并在solr中搜索用户输入的产品名称。请记住，它是基于词汇的，而不是基于语义的，但基于词汇的就足够了，只要用户不会将香蕉称为黄色圆筒形水果

基于ML的

---

这些是良好的分布式向量表示word2vec，称为嵌入。嵌入的重要性在于相关词之间的距离很小。然而，这些向量对你不好，因为你拥有的是短语而不是单词red是单词red chilly是短语。在开源软件中没有很好的预训练短语到向量的嵌入。如果您想使用基于向量相似性的模型，那么您必须构建自己的phrase2vec模型。因此，假设您能够构建一个phrase2vec模型，您必须找到对应于产品的向量，该向量与客户键入的产品名称向量非常接近

您打算如何构建产品的所有可能名称。你会为所有4500种产品手动操作吗？是的，我没有其他方法。公司将为我提供所有的同义词。你还有别的建议吗？根据程序员的经验进行静态查找很烦人，可能无法解决你的问题。这就是机器学习的好处。