电商文案自动抽取：规则与序列标注结合的Python工程实践

简介：一套基于Python实现的电商营销文案自动生成完整项目，源自京东NLP高阶实战训练营二期，面向自然语言处理学习者、电商数据分析师以及计算机相关专业毕业生。项目利用商品标题、属性标签与OCR信息，基于seq2seq、attention及pointer networks等模型，实现从商品数据到营销文案的端到端生成，既有源码又有说明文档，适合课设、毕设或项目初期演示。资源包共包含63个文件，以27个Python脚本为核心，辅以7个文本说明、6张架构图示、5个XML配置、3个Markdown文档和预训练数据等，整体压缩包约21.78MB，目录结构清晰，便于按模块研究。目前已有157人学习或下载，适合具备一定Python基础、希望深入NLP实战的读者。通过这份资源，可学习数据处理与特征构建、模型训练和评估的完整流程，也能对照README与项目过程问题记录，快速复现营销文案生成实验，并在此基础扩展其他生成任务。

1. 电商文案自动抽取到底在解决什么问题：一次上新就能看到的效率差

帮朋友跑电商商品文案时，一千多个商品池，每次上新要写一轮卖点，光靠人从详情页里翻，一天最多处理三四十个。“京东NLP高阶实战训练营二期”这类把电商数据自动抽取当目标的实战项目，解决的正是这个问题：用 Python 把标题、详情、评价里的卖点自动抽出来，再组装成营销文案草稿。它不是套提示词让模型瞎编，而是抽取式、可解释、能质检的工程方案。做这个方向的人，可以从一条规则跑通，再一步步把 NLP 模型接进去。

2. 先拆 NLP 抽取链路：规则管句子，模型管属性

文案抽取看起来是一个功能，拆开其实是两件事：句子级抽取是判断“这段话值不值得写进营销文案”，片段级抽取是拿到“成分、规格、功效、适用人群”这些属性值。两件事混在一起做，后面改参数会非常痛苦。

我建议先把链路拆成五段：清洗、分句、粗过滤、属性抽取、文案组装。前两段是纯文本工程，中间是规则和模型的分工点，最后一段决定文案是“拼出来的”还是“编出来的”。

2.1 先把输入输出说清楚：手里有什么文本，要抽成什么结构

电商场景里能拿到的原始文本大概有四类：

输出不要只给“一段文案”，要分成两个层级。句子级输出返回“适合换季敏感肌”这类营销句；片段级输出返回“功效=保湿、规格=30ml、成分=烟酰胺”这样的槽位。我一般把两者都存下来，句子给运营做初稿，槽位给后续的详情页结构化填充用。

2.2 为什么先上规则和词典，而不是一上来就训练模型

很多第一次接触这个方向的同学，第一反应是“用大模型生成文案”。但在电商文案这个场景里，生成式输出不可控，抽句式方案至少能保证每句话都来自真实商品数据。

规则的落地成本很低：一个词典、一组正则、几十行 Python，就能覆盖价格、规格、含量、活动信息这类明确卖点。模型要标签数据，而电商商品类目多、说法五花八门，一份标注两三百条只是起点。所以我通常把落地顺序定成：先用规则做到“能出结果”，再针对模型抽不准的槽位补序列标注。

2.3 模型管属性，规则管句子，这个分工要提前定

规则擅长判断“这句话是不是卖点”，但不擅长从长句里抠出“5% 烟酰胺”这样的片段；序列标注模型擅长抠片段，但判断整句话能否作为营销文案时，需要大量标签数据。

因此分工是这样的：规则负责句子级筛选，模型负责属性级抽取。具体流程是清洗 → 分句 → 规则粗滤 → 句子评分排序 → 用模型补全属性槽位 → 模板组装。这样任何一个环节出问题，都能单独修，不用推翻整条链路。

3. 用 Python 实现候选文案抽取：清洗、分句、过滤与兜底正则

下面这套代码是基于 Python 实现的最小可用版本，只依赖标准库和 jieba，核心是把商品数据读进来，清洗后切成句子，再用词典给句子打分，把高分句子作为营销文案候选。

3.1 加载商品数据与清洗函数

商品数据我习惯用 JSONL 格式输入，每个商品一行，字段包括 title、detail、reviews、price。不直接接数据库，目的是让脚本能在本地小批量跑，调参不依赖线上环境。

# -*- coding: utf-8 -*- import re import json def clean_text(raw: str) -> str: if not raw: return "" raw = re.sub(r"<[^>]+>", "", raw) # 去 HTML 标签 raw = re.sub(r"\s+", " ", raw) # 压缩空白 raw = raw.replace("&nbsp;", " ").replace("&amp;", "&") return raw.strip() def load_products(path: str): products = [] with open(path, "r", encoding="utf-8") as f: for line in f: line = line.strip() if not line: continue obj = json.loads(line) products.append({ "id": obj.get("id"), "title": clean_text(obj.get("title", "")), "detail": clean_text(obj.get("detail", "")), "reviews": [clean_text(r) for r in obj.get("reviews", [])], "price": obj.get("price", "") }) return products

clean_text 里的正则顺序有讲究：先去标签，再压空白，最后替换 HTML 实体。先替换实体再压空白的话， 会被压成空格，但标签残留依然存在。加载后用products[:20]调试，避免一上来处理全量数据拖慢速度。

3.2 中文分句与噪音过滤

中文分句不能直接按split("。")处理，因为详情页里经常出现“买一送一！限时抢购！立即下单！”这种连续感叹句，拆出来全是噪音。我一般按标点切完再叠加长度和内容过滤。

def split_sentences(text: str) -> list: text = re.sub(r"([。！？!?；;])", r"\1\n", text) lines = [ln.strip() for ln in text.split("\n") if ln.strip()] result = [] for ln in lines: if len(ln) > 80: ln = re.sub(r"[，,]", "\n", ln) result.extend([s.strip() for s in ln.split("\n") if s.strip()]) else: result.append(ln) return result STOP_WORDS = { "亲", "您好", "下单", "发货", "物流", "客服", "售后", "点击", "关注", "收藏", "优惠券", "活动" } def is_useless(sentence: str) -> bool: if len(sentence) < 6: return True if any(w in sentence for w in STOP_WORDS): return True if sentence.count("!") + sentence.count("！") >= 2: return True if re.fullmatch(r"[\s\W_]+", sentence): return True return False

80 字符阈值是经验值：小于 80 的句子保留整体语义，大于 80 的句子按逗号拆，避免一长句里混多个卖点。注意“按逗号二次拆分”有副作用，比如“含 5% 烟酰胺，能提亮肤色，改善暗沉”会拆成三句，但后面用槽位召回可以弥补。

3.3 候选句评分：词典匹配、词频统计与正则兜底

句子过滤完，要给每句话打分。我用一个按类目组织的词典，命中不同类目累计得分，再正则化兜底“数字+单位”的规格表达。

from collections import Counter SELLING_DICT = { "功效": ["保湿", "提亮", "舒缓", "控油", "抗皱", "修护", "淡纹", "紧致"], "成分": ["烟酰胺", "玻尿酸", "视黄醇", "胜肽", "角鲨烷", "水杨酸", "神经酰胺"], "场景": ["换季", "熬夜", "夏天", "晒后", "敏感"], "人群": ["敏感肌", "油皮", "干皮", "熟龄肌", "学生党"], "规格": ["ml", "g", "片", "支", "盒"] } def score_sentence(sentence: str) -> dict: hits = {} for cat, words in SELLING_DICT.items(): n = sum(1 for w in words if w in sentence) if n: hits[cat] = n score = sum(hits.values()) if re.search(r"\d+(\.\d+)?\s*(ml|g|片|支|盒)", sentence, re.I): hits.setdefault("规格", 1) score += 1 counter = Counter(re.findall(r"[\u4e00-\u9fa5]{2,}", sentence)) dup = sum(v for v in counter.values() if v > 2) score -= dup return {"score": score, "hits": hits, "text": sentence} def extract_candidates(products, min_score=2): candidates = [] for p in products[:20]: sentences = split_sentences(p["detail"]) + p["reviews"] for s in sentences: if is_useless(s): continue result = score_sentence(s) if result["score"] >= min_score: candidates.append({**p, **result}) return candidates

min_score=2 表示一句话至少要命中两个类目才够格，比如“保湿+敏感肌”可以，“保湿”单独出现先不进候选。词频统计这里做的是扣分惩罚：一句话里同一个词出现超过 2 次，多半是凑字，减去重复次数。

3.4 这几个参数值得反复调

调参顺序我建议是：先调 min_score 看候选量，再调 STOP_WORDS 处理本类目特有的噪音，最后才动分句长度。一上来动分句阈值，会把整个候选结构打乱，后面不好定位问题。

4. NLP 增强：用序列标注补上“属性槽位”抽取

规则能解决句子筛选，但“5% 烟酰胺”“30ml”“适合熟龄肌”这些片段还是需要模型来抽。这里说的模型不是大模型，而是轻量的序列标注模型，训练快、推理快、好排查。

4.1 半自动标注：从规则结果生成第一批训练数据

给序列标注准备数据时，不要从零开始标。跑一遍上一章的规则，把命中的句子导出成文本文件，标注员只需要在句子里把“成分”“功效”“规格”划出来。这样做有两个好处：第一，候选句本身已经过滤掉大量无效文本；第二，标注结果可以直接回填到规则管道里做校验。

标签集合我常用 BIO 格式：

标注时注意“不闷”“不卡粉”这类词，负向表达很容易被标成功效。我的习惯是负向否定词不单独建标签，直接交给规则层处理，模型只抽正向片段。

4.2 用 sklearn-crfsuite 训练属性抽取模型

特征工程是 CRF 的核心。我用 jieba 分词和词性，再叠加前后词、词长、是否数字这些基础特征，足够覆盖电商商品文本的常见模式。

# -*- coding: utf-8 -*- import jieba.posseg as pseg import sklearn_crfsuite def word2features(sent, i): word = sent[i][0] pos = sent[i][1] features = { "w": word, "pos": pos, "w.lower": word.lower(), "w.isdigit": word.isdigit(), "w.length": len(word), "prefix1": word[:1], "suffix1": word[-1:], "pos_prefix": pos[:2], } if i > 0: wprev, pprev = sent[i-1][0], sent[i-1][1] features.update({ "w.prev": wprev, "pos.prev": pprev, }) if i < len(sent) - 1: wnext, pnext = sent[i+1][0], sent[i+1][1] features.update({ "w.next": wnext, "pos.next": pnext, }) return features def sent2features(sent): return [word2features(sent, i) for i in range(len(sent))] def sent2labels(sent): return [label for _, _, label in sent] # train_sents 是形如 [(word, pos, label), ...] 的标注数据 X_train = [sent2features(s) for s in train_sents] y_train = [sent2labels(s) for s in train_sents] crf = sklearn_crfsuite.CRF( algorithm="lbfgs", c1=0.1, c2=0.1, max_iterations=100, all_possible_transitions=True, ) crf.fit(X_train, y_train)

c1 控制 L1 正则，c2 控制 L2 正则。电商文本特征稀疏，c1 设 0.1 到 0.3 能压掉不少无关特征；c2 太大会让模型变得保守，抽出的槽位变少。max_iterations=100 对几千条训练样本足够，如果 loss 还在下降，可以加到 200。

提示：sklearn-crfsuite 依赖 python-crfsuite，安装时不要分开装两个版本，否则会出现模型可以训练但 predict 报错的情况。

4.3 把模型输出接回规则管道：槽位补全与文案组装

模型输出的是标签序列，要转回槽位字典，再和规则结果合并。合并规则是：同属性槽位模型优先，模型没抽到的用规则正则兜底。

def slots_from_crf(sent, y_pred): slots = {"effect": [], "ingredient": [], "spec": [], "scene": []} cur_type = None cur_value = [] for word, label in zip(sent, y_pred): if label.startswith("B-"): if cur_type and cur_value: slots[cur_type].append("".join(cur_value)) _, cur_type = label.split("-") cur_value = [word] elif label.startswith("I-"): cur_value.append(word) else: if cur_type and cur_value: slots[cur_type].append("".join(cur_value)) cur_type, cur_value = None, [] if cur_type and cur_value: slots[cur_type].append("".join(cur_value)) return slots def assemble_copy(title, slots): effect = "、".join(slots.get("effect", [])) spec = "/".join(slots.get("spec", [])) scene = slots.get("scene", []) parts = [title] if effect: parts.append(f"主打{effect}") if spec: parts.append(spec) if scene: parts.append(f"适合{scene[0]}") return " ".join(parts)

组装只用模板，不用生成模型。好处是每段文案都能讲清楚来自哪个字段，运营要改也能直接改模板。最后实际项目里，模板会变成配置项，不同类目用不同模板，而不是一套写死。

5. 电商文案抽取避坑指南：5 个高频翻车点与排查方法

这个方向踩坑太常见了。下面几条是我在调参和跑数据集时反复遇到的，按现象、原因、解决三段式写。

5.1 同一句话被抽出五个重复卖点

现象：抽取结果里“保湿”出现了 5 次，第一条和第五条的句子完全一样，只是措辞略有不同。

原因：分句后没有做相似句去重。详情页经常把同一卖点换几种说法重复写，比如“深层保湿”“补水保湿”“水润保湿”。

解决：先在句子层面做粗去重，用字面相似度或 SimHash 都行。我一般用最简单的方式：把句子里的数字和单位去掉后做 MD5，再计算连续两个字符的 Jaccard 相似度，相似度高于 0.7 就只保留得分高的一句。

5.2 “不闷”“不卡粉”被当成正向卖点

现象：用户评价里写“不闷痘”“不卡粉”，规则把“不闷”拆出来，当成正向功效词进了候选。

原因：词典匹配只看单字词，没处理否定前缀。模型训练时也没给否定词单独建标签。

解决：维护一个否定词表，包含“不”“没”“无”“非”等前缀，命中这些前缀时，后面紧跟的词不进正向卖点槽位。更简单的方式是先在词典层加例外：把“不闷”“不卡粉”“不搓泥”作为整体加入黑名单，整句过滤。

5.3 规格被拆成“3盒”和“2件”，组句时回不来

现象：商品文案里写“买 3 盒送 2 件旅行装”，规则抽出来变成了“3盒”“2件”两个独立规格，组装时文案变成“3盒2件”，用户不知道哪个是正装哪个是赠品。

原因：正则优先抽“数字+单位”，没有做上下文组合。

解决：在分句前先做规格句的模板合并。常见做法是维护一组活动模板，如“买 A 送 B”“A 件 B 盒”，先匹配完整模板，再让候选句直接引用模板结果。“买 3 盒送 2 件旅行装”应该抽成“规格=3盒，赠品=2件旅行装”，而不是两个并列规格。

5.4 详情页跳转长句和活动口号混进结果

现象：抽取结果里出现“点击下方链接了解更多详情”“立即抢购”这类句子，甚至还有“关注店铺有惊喜”。

原因：STOP_WORDS 覆盖不够，本类目特有的运营话术没进词表。

解决：每换一个类目，先跑一遍全量抽取，把结果里明显不像卖点的句子按文本聚类，然后批量加进 STOP_WORDS。不要想着一次性写好词表，抽取工程本来就是滚动的。

5.5 模型标签不一致，同属性出现多个值

现象：同一个商品抽出的“功效”有“保湿”“锁水”“水润”，其实都是同一属性的近义词。

原因：序列标注模型只负责切片段，不负责归一化。

解决：在规则层加一个同义词归并表，把“锁水”“水润”归一到“保湿”。这个表可以很小，覆盖 80% 的重复情况就够。归一化放在模型输出之后、文案组装之前，这样模板拿到的数据是干净的。

6. 验证与进阶：用最小标注集把抽取效果固定下来

抽取系统的效果评估，不能靠肉眼每次看十几条。我的做法是固定一组 30 到 50 个商品作为回归集，每次改词典、改参数、换模型后，全量跑一遍，记录三个指标：能出候选的商品比例、候选句准确率、槽位命中率。

回归集不追求大，但要有代表性：包含标点混乱的详情页、短标题商品、纯促销型商品、含负向评价的商品。每次跑完把结果导出成表格，记录“问题类型”，下次改完再看同一个 case 有没有变好。

进阶可以做两件事：把模板配置化，不同类目用不同模板；把同义词表升级成可维护的词库文件。不要试图在代码里硬改词表，词库应该独立维护，每次改动走 review。

我的习惯是每次调参前先跑回归集，调完再跑一遍，对比差异。这比对着网页一条条看靠谱得多，也能避免“调好 A 类目毁了 B 类目”的玄学。电商文案抽取这个方向，真正难的不是单个模型，而是把句子、槽位、模板、词表串成一条可维护的链路。源码和项目说明文档分开写，文档里记录数据格式、参数表、回归集改动，三个月后回头看自己代码，能少掉不少头发。

希望帮到你。

本文还有配套的精品资源，点击获取