ドラッグストアでのスマートフォン利用を想定した店舗案内機能、商品検出機能、階層的カテゴリ分類の実装について
ドラッグストアでのスマートフォン利用を想定した店舗案内機能を実装しました。この記事では、2,362件の商品データベースに対応した商品検出機能と階層的カテゴリ分類の実装について解説します。
ドラッグストアでの現場経験を通じて、以下のような店舗関連の質問が頻繁にあることを実感しました：
これらの質問に対応するため、包括的な店舗案内機能を実装しました。
ビューティ・トイレタリー
├── シャンプー・コンディショナー
│ ├── 商品名: メリット、パンテーン、...
│ └── ブランド名: シャンプー、コンディショナー、...
├── ボディケア
│ ├── 商品名: ボディソープ、ボディクリーム、...
│ └── ブランド名: ドーブ、ニベア、...
└── ...
医療・介護
├── 医療用品
│ ├── 商品名: マスク、体温計、...
│ └── ブランド名: 不織布マスク、...
└── ...
{
"categories": {
"ビューティ・トイレタリー": {
"subcategories": {
"シャンプー・コンディショナー": {
"products": ["メリット", "パンテーン", "..."],
"brands": ["シャンプー", "コンディショナー", "..."]
}
}
}
}
}
# src/services/store_inquiry_handler.py
def classify_product_category(user_text):
"""
ユーザー入力から商品名やブランド名を自動検出
Args:
user_text: ユーザーの入力テキスト
Returns:
product_info: 商品情報（カテゴリ、サブカテゴリ、商品名/ブランド名）
"""
# 商品データベースを読み込み
store_products = load_store_products()
detected_products = []
# 各カテゴリをチェック
for category_name, category_data in store_products['categories'].items():
for subcategory_name, subcategory_data in category_data['subcategories'].items():
# 商品名の検出
for product_name in subcategory_data.get('products', []):
if product_name.lower() in user_text.lower():
detected_products.append({
'category': category_name,
'subcategory': subcategory_name,
'product_name': product_name,
'type': 'product'
})
# ブランド名の検出
for brand_name in subcategory_data.get('brands', []):
if brand_name.lower() in user_text.lower():
detected_products.append({
'category': category_name,
'subcategory': subcategory_name,
'brand_name': brand_name,
'type': 'brand'
})
return detected_products
def handle_inventory_inquiry(user_text, detected_products):
"""
在庫確認の処理
Args:
user_text: ユーザーの入力テキスト
detected_products: 検出された商品情報
Returns:
response: 在庫確認応答
"""
# 在庫確認キーワード
inventory_keywords = ["在庫", "ありますか", "どこ", "場所は"]
has_inventory_keyword = any(keyword in user_text for keyword in inventory_keywords)
if has_inventory_keyword and detected_products:
# 商品が検出された場合、カテゴリ情報を表示
product_info = detected_products[0]
category_path = f"{product_info['category']} > {product_info['subcategory']}"
if product_info['type'] == 'product':
product_name = product_info['product_name']
else:
product_name = product_info['brand_name']
response = f"""
{product_name}についてお尋ねいただき、ありがとうございます。
カテゴリ: {category_path}
在庫の確認については、お近くのスタッフにお尋ねください。
"""
return {
'inquiry_type': 'store_inquiry/inventory',
'response': response,
'detected_product': product_info
}
return None
def handle_lost_and_found(user_text):
"""
遺失物対応の処理
Args:
user_text: ユーザーの入力テキスト
Returns:
response: 遺失物対応応答
"""
lost_keywords = ["遺失物", "落とし物", "忘れ物", "なくした"]
if any(keyword in user_text for keyword in lost_keywords):
response = """
遺失物についてお尋ねいただき、ありがとうございます。
【店舗内で拾われた場合】
お近くのスタッフにお尋ねください。
【店舗外で拾われた場合】
警察への相談をお勧めします。
"""
return {
'inquiry_type': 'lost_and_found',
'response': response
}
return None
def keyword_based_store_detection(user_text):
"""
キーワードマッチングによる店舗案内検出（高速）
"""
store_keywords = {
'store_inquiry/inventory': ['在庫', 'ありますか', 'どこ', '場所は'],
'store_inquiry/facilities': ['施設', '周辺'],
'store_inquiry/tax_free': ['免税', 'タックスフリー'],
'lost_and_found': ['遺失物', '落とし物', '忘れ物'],
'store_inquiry/toilet_location': ['トイレ', 'お手洗い']
}
for inquiry_type, keywords in store_keywords.items():
if any(keyword in user_text for keyword in keywords):
return {
'inquiry_type': inquiry_type,
'confidence': 0.9,
'method': 'keyword_matching'
}
return None
def llm_based_store_classification(user_text):
"""
LLMによる店舗案内分類（高精度）
"""
prompt = f"""
ユーザーの入力を以下の店舗案内カテゴリに分類してください：
- store_inquiry/inventory: 在庫確認
- store_inquiry/facilities: 周辺施設
- store_inquiry/tax_free: 免税対応
- store_inquiry/tourism: 周辺観光地
- store_inquiry/business_hours: 営業時間・アクセス
- store_inquiry/payment: 支払い方法
- store_inquiry/parking: 駐車場
- store_inquiry/services: 店舗サービス
- store_inquiry/toilet_location: トイレの場所
- lost_and_found: 遺失物関連
ユーザー入力: {user_text}
以下のJSON形式で返答してください：
{{
"inquiry_type": "カテゴリ名",
"confidence": 0.0-1.0,
"reasoning": "分類の理由"
}}
"""
response = openai.ChatCompletion.create(
model="gpt-4o-mini",
messages=[
{"role": "system", "content": "あなたは店舗案内AIアシスタントです。"},
{"role": "user", "content": prompt}
],
temperature=0.3,
max_tokens=200
)
return parse_store_classification_response(response.choices[0].message.content)
「うんこしたい」のような表現は、症状キーワードがない場合は店舗案内として処理：
def distinguish_symptom_from_store_inquiry(user_text):
"""
症状キーワードと店舗案内を区別
Args:
user_text: ユーザーの入力テキスト
Returns:
is_store_inquiry: 店舗案内として処理するか
"""
symptom_keywords = ["出ない", "便秘", "痛い", "痒い"]
has_symptom_keyword = any(keyword in user_text for keyword in symptom_keywords)
if has_symptom_keyword:
return False # 医薬品推奨を優先
# 症状キーワードがない場合は店舗案内として処理
store_keywords = ["トイレ", "お手洗い", "場所"]
has_store_keyword = any(keyword in user_text for keyword in store_keywords)
return has_store_keyword
原因: 商品データベースに該当する商品が登録されていない
解決策:
原因: 症状キーワードとの区別が不十分
解決策:
原因: 商品データベースの検索が遅い
解決策:
店舗案内機能の実装により、2,362件の商品データベースに対応した包括的な店舗案内システムを実現しました。商品検出機能と階層的カテゴリ分類により、より実用的なシステムになりました。
今後も、より多くの商品に対応し、検出精度の向上を続けていきます。