Технология трансляции естественно-языковых правил мерчандайзинга в цифровые планограммы

Цели. Целями исследования являются разработка и апробация подхода автоматического преобразования правил выкладки товаров, сформулированных на естественном языке, в формализованные машиночитаемые инструкции для преодоления разрыва между бизнес-требованиями и их технической реализацией.

Методы. Предложен гибридный подход, в котором большая языковая модель выполняет функцию семантического транслятора, преобразуя пользовательский запрос в команду на специализированном предметно-ориентированном языке. Полученная команда затем обрабатывается детерминированным парсером на основе регулярных выражений для валидации и извлечения параметров. Для оценки качества трансляции использовалась метрика BLEU на специально созданном датасете из 200 пар «запрос – эталон». Эффективность подхода сравнивалась с базовым методом, основанным на правилах.

Результаты. Эксперимент показал высокую точность формализации запросов в сравнении с базовым подходом. Качественный анализ подтвердил способность системы корректно интерпретировать синонимы и сленг, извлекать неявно заданные параметры и отфильтровывать нерелевантные команды, что доказывает робастность предложенного подхода.

Заключение. Сделан вывод о жизнеспособности и практической значимости предложенного подхода для снижения трудоемкости и повышения эффективности процессов мерчандайзинга. Разработанная система представляет собой фундамент для создания нового поколения интеллектуальных инструментов управления торговым пространством.

1. Швецова, А. М. Разработка планограммы как эффективный инструмент маркетинга / А. М. Швецо-ва, С. Н. Хрипунов // Молодые ученые – развитию Национальной технологической инициативы (ПО-ИСК-2018) : материалы межвузовской (с международным участием) молодежной науч.-техн. конф., 24–27 апр. 2018 г. – Иваново : ИВГПУ, 2018. – С. 129–130.

2. Shelf space reallocation for out of stock reduction / E. Frontoni, F. Marinelli, R. Rosetti, P. Zingaretti // Computers & Industrial Engineering. – 2017. – Vol. 106. – P. 32–40. – DOI: 10.1016/j.cie.2017.01.006.

3. Курочка, К. С. Применение генеративно-ассоциативных нейросетевых моделей для создания пла-нограмм / К. С. Курочка, Ю. С. Башаримов // Актуальные вопросы экономической науки в XXI веке : ма-териалы Междунар. науч.-практ. конф. – X чтения, посвященные памяти известного белорусского и рос-сийского ученого-экономиста Михаила Вениаминовича Научителя, Гомель, 24 окт. 2024 г. / М-во обра-зования Республики Беларусь, Гомельский гос. ун-т им. Ф. Скорины ; редкол.: А. К. Костенко [и др.]. – Гомель, 2024. – С. 139–141.

4. Jurafsky, D. Speech and Language Processing / D. Jurafsky, J. H. Martin. – 3rd ed. draft. – Stanford University, 2023. – 613 р.

5. Artificial intelligence in supply chain management: A systematic literature review / R. Toorajipour, V. Sohrabpour, A. Nazarpour [et al.] // Journal of Business Research. – 2021. – Vol. 122. – P. 502–517. – DOI: 10.1016/j.jbusres.2020.09.016.

6. Language models are few-shot learners / T. B. Brown, B. Mann, N. Ryder [et al.] // Advances in Neural Information Processing Systems (NeurIPS). – 2020. – Vol. 33. – P. 1877–1901.

7. Масалитина, Н. Н. Математическая модель принятия решений при лечении остеохондроза пояс-ничного отдела позвоночника / Н. Н. Масалитина, К. С. Курочка, Е. Л. Цитко // Информатика. – 2019. – Т. 16, № 1. – С. 24–35.