Método de clasificación automática de materias primas de comercio electrónico mediante la introducción de conceptos auto‑supervisados y la construcción de una ontología de dominio

Por qué importa ordenar los productos online por ingredientes

Cuando compras harina o aperitivos en línea, normalmente buscas por lo que hace el producto: mezcla para pasteles, harina de pan, ingredientes para repostería. Pero las empresas, los reguladores e incluso los consumidores preocupados por la salud suelen interesarse más por lo que contienen esos productos. Hoy en día los sitios de comercio electrónico raramente organizan los artículos por sus materias primas, y corregir eso manualmente implicaría revisar millones de páginas de producto una por una. Este estudio propone un método automático para reagrupar productos online según sus ingredientes subyacentes, usando una mezcla de conocimiento experto y aprendizaje automático.

El problema de los estantes mezclados

Las grandes plataformas de comercio electrónico listan millones de artículos y por lo general los organizan por función: «mezcla para hornear» o «aperitivo», en lugar de por trigo, alforfón o maíz. Como resultado, dos harinas hechas de la misma cereal pueden acabar en categorías diferentes, mientras que productos con ingredientes distintos pueden colocarse juntos porque se usan para propósitos similares. Esto es conveniente para los compradores pero un dolor de cabeza para comerciantes y analistas que quieren rastrear ventas o calidad por materia prima. Los métodos automáticos existentes tienden a copiar las etiquetas de la propia plataforma y requieren muchos ejemplos etiquetados manualmente, lo que es costoso y además no resuelve la visión basada en ingredientes que necesitan las empresas.

Construir un mapa inteligente de ingredientes

Los investigadores abordaron esto pidiendo primero a expertos del dominio que diseñaran un «mapa» estructurado del mundo de las harinas, llamado ontología de dominio. En términos sencillos, es una lista cuidadosa de tipos de harina—como trigo, integral, maíz, alforfón, arroz y arroz glutinoso—y de los rasgos clave que las distinguen, incluidos el grano crudo, la fuerza del gluten, la calidad, la marca y el lugar de origen. A partir de páginas de producto reales en varias plataformas chinas, el equipo recopiló miles de frases concretas que corresponden a esos rasgos, como nombres de marcas o formulaciones típicas del origen. Se apoyaron en reglas de concordancia por patrones y en una medida de distancia entre cadenas para captar faltas de ortografía cercanas y sinónimos, como nombres ligeramente distintos para el mismo tipo de harina, e integraron esas variantes en una lista de palabras específica del dominio.

Dejar que los datos se etiqueten solos

A continuación, los autores adaptaron la idea del aprendizaje auto‑supervisado: en lugar de pedir a humanos que etiqueten cada muestra, dejaron que los datos generaran muchas de sus propias etiquetas. Usando su ontología y la lista de palabras del dominio, escribieron reglas que indican cómo deben alinearse los atributos de los ingredientes con una categoría. Si los detalles de un producto mencionan claramente el maíz como el cereal principal y otros rasgos coinciden con el perfil de harina de maíz, el sistema trata ese listado como un ejemplo «estándar» de harina de maíz y acepta automáticamente su etiqueta de categoría. Los listados cuyos atributos chocan con las reglas de los expertos, o que son demasiado vagos, se tratan como «no estándar» y se dejan aparte como casos no etiquetados. De esta manera, el modelo recoge miles de ejemplos de entrenamiento limpios directamente de catálogos desordenados sin inspección manual.

Enseñar al clasificador a reconocer materias primas

Con los ejemplos estándar en mano, el sistema transforma el texto de cada producto en características legibles por máquina. Utiliza un potente modelo de lenguaje, desarrollado originalmente para texto en chino, para extraer entidades importantes como marcas, nombres de ingredientes y lugares de origen, y las añade a la lista de palabras del dominio. Un tokenizador luego descompone títulos y descripciones de producto en fragmentos significativos, elimina palabras de relleno comunes y construye un perfil numérico de cuán distintivo es cada término en todo el conjunto de datos. Clasificadores clásicos de aprendizaje automático se entrenan con esos perfiles y las categorías de ingrediente asignadas automáticamente. Los autores probaron varios algoritmos en más de 18.000 listados de harina y encontraron que un modelo de regresión logística, un método relativamente simple, ofrecía el mejor equilibrio entre rapidez y precisión.

Qué tan bien funciona el sistema—y por qué supera a la IA general

En datos de harina recolectados de las principales plataformas chinas, el clasificador basado en ingredientes alcanzó alrededor del 91 por ciento de precisión global. Fue particularmente eficaz en reconocer harinas comunes, como la harina de trigo estándar y la de arroz glutinoso, y aun así mostró un rendimiento aceptable en categorías más difíciles como alforfón y maíz, donde los productos con frecuencia mezclan cereales. Añadir la lista de palabras específica del dominio mejoró claramente los resultados en comparación con usar solo características de texto genéricas. El equipo también comparó su método con un modelo de lenguaje de propósito general grande al que se le pidió realizar la misma tarea sin entrenamiento previo en el conjunto de datos. Ese modelo en modo zero‑shot quedó rezagado, especialmente en tipos de harina más raros, lo que subraya la ventaja de combinar conocimiento experto con aprendizaje dirigido en lugar de apoyarse únicamente en una comprensión de lenguaje amplia pero superficial.

Qué significa esto para las compras online y más allá

En términos sencillos, el estudio muestra que las plataformas de ecommerce pueden reagrupar automáticamente los artículos por lo que están hechos, no solo por para qué se usan. Al codificar conocimiento experto sobre ingredientes en un mapa reutilizable y dejar que las páginas de producto se etiqueten a sí mismas, el enfoque reduce drásticamente la necesidad de etiquetado manual manteniendo una alta precisión. Para comerciantes y analistas, esto abre la puerta a estadísticas de ventas más limpias, mejor control de calidad y respuestas más precisas a problemas como el seguimiento de alérgenos o tendencias nutricionales. Aunque se demostró con harina, la receta—ontologías construidas por expertos más reglas de autoetiquetado y clasificadores ligeros—podría adaptarse a muchas otras categorías de producto donde las materias primas realmente importan.

Cita: Lei, B., Wang, J. & Shen, C. Automatic classification method of e-commerce commodity raw materials through the introduction of self-supervised concepts and the construction of domain ontology. Sci Rep 16, 8058 (2026). https://doi.org/10.1038/s41598-026-38214-2

Palabras clave: clasificación en comercio electrónico, ingredientes del producto, aprendizaje auto‑supervisado, ontología de dominio, minería de texto