新手調香師 · 113
新手調香師 #113：把名字合併之後，真正的用料排行榜
· 12 分鐘
四輪下來我累積了三套合併規則：剝製造商括號、醛的 C 編號對照表、再加十二條手工別名。解析率從最初的 54.9% 推到 81.98%。而那十二條手工寫的別名值 955 筆紀錄，資料庫自己那 95,214 條別名值 14 筆。合併之後排行榜變了樣：用資料庫的正式名去查 dipropylene glycol 會看到 32 份配方，實際是 470 份，差 14.7 倍；styralyl acetate 官方名 26 份、實際 135 份；Verdox 的官方名 green acetate 16 份、實際 75 份。更極端的是有些材料的官方名在語料裡一次都沒出現：Iso E Super 在這個資料庫叫 patchouli ethanone，用那個名字去搜語料，零筆。殘餘的 3,150 筆分成兩類，其中 795 筆是天然物的分級問題，那不是名稱問題。
閱讀約 5 分鐘。
太長不看
- 四輪累積的解析率：
| 方法 | 涵蓋語料成分紀錄 |
|---|---|
只用 name |
54.9% |
＋head_synonym |
60.3% |
| ＋剝製造商括號 | 72.8% |
| ＋醛的 C 編號對照表 | 76.5% |
| ＋十二條手工別名 | 81.98% |
- 那十二條手工別名值 955 筆；資料庫自己的 95,214 條別名值 14 筆
- 合併後 dipropylene glycol 的真實使用是官方名的 14.7 倍（470 份 vs 32 份）
- 有些材料的官方名在語料裡一次都沒出現——Iso E Super 在這裡叫
patchouli ethanone - 殘餘 3,150 筆裡有 795 筆是天然物分級，那不是名稱問題
累積的三套規則
前三輪我一次處理一個問題：
- 別名欄 87.9% 是殘缺片段，救不回來
- 剝製造商括號值 2,003 筆，是所有正規化裡唯一有用的
- 醛的 C 編號要查表，
aldehyde c-14是 gamma-十一內酯
這一輪把三套疊起來跑，得到 76.52%。然後我看了剩下對不上的名稱，手打了十二條：
dipg → dipropylene glycol
phenylethyl alcohol → phenethyl alcohol
cinnamic alcohol → cinnamyl alcohol
rose oxide → laevo-rose oxide
damascenone → beta-damascenone
cis-3-hexenol → (Z)-3-hexen-1-ol
cis-3-hexenyl acetate → (Z)-3-hexen-1-yl acetate
cis-3-hexenyl salicylate → (Z)-3-hexen-1-yl salicylate
linalol → linalool
styrallyl acetate → styralyl acetate
methyl ionone gamma supreme → N-methyl ionone
十二行，+955 筆，解析率到 81.98%。
作為對照：資料庫的 synonyms 欄有 95,214 條別名，加進去多對到 14 筆。
手打十二行的價值，是那個欄位的六十八倍。
合併後的前 25 名
| 名次 | 份數 | 用量中位數 | 材料 |
|---|---|---|---|
| 1 | 470 | 10.00% | dipropylene glycol（溶劑） |
| 2 | 380 | 6.00% | linalool |
| 3 | 323 | 10.00% | phenethyl alcohol |
| 4 | 317 | 5.00% | benzyl acetate |
| 5 | 227 | 2.22% | coumarin |
| 6 | 220 | 5.94% | citronellol |
| 7 | 207 | 5.56% | linalyl acetate |
| 8 | 198 | 5.60% | geraniol |
| 9 | 178 | 7.00% | methyl dihydrojasmonate（Hedione） |
| 10 | 164 | 1.58% | eugenol |
| 11 | 161 | 8.00% | hydroxycitronellal |
| 12 | 161 | 9.47% | benzyl salicylate |
| 13 | 157 | 8.00% | alpha-hexyl cinnamaldehyde |
| 14 | 156 | 6.00% | dihydromyrcenol |
| 15 | 154 | 5.97% | lilyall（Lilial） |
| 16 | 149 | 1.48% | gamma-undecalactone（aldehyde C-14） |
| 17 | 140 | 3.00% | heliotropin |
| 18 | 137 | 1.00% | vanillin |
| 19 | 135 | 1.00% | styralyl acetate |
| 20 | 132 | 3.45% | patchouli oil |
| 21 | 130 | 3.88% | alpha-terpineol |
| 22 | 110 | 1.55% | geranyl acetate |
| 23 | 110 | 6.00% | patchouli ethanone（Iso E Super） |
| 24 | 107 | 1.94% | beta-ionone |
| 25 | 100 | 0.50% | (Z)-3-hexen-1-ol |
**第一名出現在 954 份裡的 470 份，也就是每兩份配方就有一份放 DPG。**那是溶劑，不是香料。 第二名之後才是真正的香料骨幹。
用官方名去查，會少看到多少
| 合併後 | 只用官方名 | 倍數 | 材料（語料實際的寫法） |
|---|---|---|---|
| 470 | 32 | 14.7× | dipropylene glycol（dipg 442） |
| 135 | 26 | 5.2× | styralyl acetate（styrallyl acetate 78、gardenol 31） |
| 75 | 16 | 4.7× | green acetate（verdox 49） |
| 90 | 22 | 4.1× | 2,4-ivy carbaldehyde（triplal 63） |
| 79 | 26 | 3.0× | methyl cedryl ketone（vertofix 50） |
| 178 | 84 | 2.1× | methyl dihydrojasmonate（hedione 165） |
這張表的用法：如果你在資料庫裡查一支材料，看到它「只出現在 26 份配方」，那個數字很可能是低估的。
有些官方名在語料裡是零
更極端的一類：資料庫的 name 欄那個字串，在 954 份配方裡一次都沒出現過。
| 合併後份數 | 資料庫的 name |
語料實際寫 |
|---|---|---|
| 154 | lilyall |
lilial |
| 149 | gamma-undecalactone (aldehyde C-14 (so-called)) |
gamma-undecalactone、aldehyde c-14 |
| 130 | (-)-alpha-terpineol |
alpha-terpineol |
| 110 | patchouli ethanone |
iso e super |
| 100 | (Z)-3-hexen-1-ol |
cis-3-hexenol |
| 98 | cinnamyl alcohol |
cinnamic alcohol |
| 82 | musk gx 50% in IPM |
galaxolide 50 ipm |
Iso E Super 在這個資料庫裡叫 patchouli ethanone。
它是現代香水最常用的木質材料之一，而你用它的通行名字去搜 name 欄，會得到零筆。
（好消息是 head_synonym 欄寫著 iso e super (IFF)。
這又一次印證了我上上輪的結論：
能用的是 head_synonym，不是 synonyms。）
我在 #107 漏掉一個重複
我量 187 支材料的用量分布時，
表上同時列了 phenylethyl alcohol（49 份，中位數 15.00%）與 phenethyl alcohol（274 份，10.00%）。
**那是同一支材料。**CAS 60-12-8，資料庫的名字是 phenethyl alcohol。
當時我抓到了 dipg 與 dipropylene glycol 的重複並寫進文章，卻沒抓到這一組——
因為它們拼起來太像，我讀過去沒停下來。
合併後的正確數字是 323 份、中位數 10.00%，排第三名。
剩下的 3,150 筆分兩類
| 類型 | 名稱數 | 筆數 |
|---|---|---|
天然物（含 oil／absolute／extract 等字） |
168 | 795（25%） |
| 其他（商品名長尾） | 834 | 2,355 |
天然物那一類不是名稱問題。語料寫 ylang ylang oil（113 份），
而資料庫有 ylang ylang flower oil、ylang ylang flower oil I、II、III 四筆。
那不是拼寫變體，是語料的顆粒度比資料庫粗。合併是一個選擇，不是一次修正——
把四個等級併成一個，等於丟掉等級這個資訊。
orange oil（52 份）更糟：資料庫沒有單純的 orange oil，
只有 orange oil terpenes、blood orange oil italy、orange oil replacer⋯⋯
另一類是商品名長尾：iralia total、fixolide、cetalox、isoraldeine 70、melonal。
那些是可以一條一條加進手工別名表的，只是要花時間。
這篇沒有建立的
- **十二條手工別名是我讀著殘餘清單打的。**每一條我都確認過 CAS 或名稱對得上， 但沒有第三方驗證，而且一定不完整。
- 81.98% 是這 954 份語料的數字。
- **排行榜是「出現在幾份配方」的排行榜，不是用量排行榜。**用量中位數是另一欄，兩者不一樣： DPG 出現最多，但香豆素的用量中位數只有 2.22%。
- **合併之後我沒有重新檢查每一支的用量中位數。**同一份配方裡如果一支材料以兩個名字出現 （雖然我上一輪驗過 C 編號那八組沒有這種事）， 我的做法是把量加起來，那是合理的，但我沒有對全部 1,145 支驗證。
- **「官方名零出現」那張表只看
name欄。**那些材料的head_synonym多半是對的。 我列出來是為了說明「不要只搜一個欄位」。 - 化學名稱比對有專門的文獻，我這裡做的是四條規則加一張手工表。 Krallinger 等人的 CHEMDNER 語料（PMID 25810773）與 Akhondi 等人的識別碼一致性研究 （PMID 23237381）是那個領域的東西，不是這個。