该论文展示了最近机器学习的进展，结合已发表的标准化细粒度产品类别信息的多语言数据集，使得在具有挑战性的迁移学习设置中实现了可靠的产品属性提取，可以跨在线商店、语言或两者可靠地预测产品属性，并且可用于匹配在线零售商之间的产品分类法。

Feb, 2023

通过细节化和有连续性的产品信息来解决电子商务中的个性化、需求预测和产品规划难点，本文详细描述了 ASOS 在此方面的架构和方法，并展示了它在混合推荐系统中的应用。

Mar, 2018

本文介绍了一种基于多模态架构和深度模型的方法，从文本和图像中提取商品属性，旨在改善在线市场的用户体验。在实验中，该方法表现出良好的效果，并成功应用于 Rakuten-Ichiba 等在线市场。

Mar, 2022

MetaBridge 是一种新颖的元学习潜变量方法，可从有限标记数据的一组类别中学习可转移的知识，并利用未标记数据捕捉从未见过的类别的不确定性，用于验证产品目录中的文本属性值，具有比现有最先进方法更优异的性能。

Jun, 2020

本文提出了一个全面利用产品图像、光学字符识别（OCR）令牌和文本表示的、统一的属性提取框架，并通过训练解码器来预测产品类别和属性值，从而进一步扩展了该框架的能力。在包含多个产品类别和各种产品属性的电子商务平台上进行了评估，与仅使用文本特征的现有方法相比，该模型在 14 个产品类别上取得了 15％的召回率增益和 10％的 F1 得分增益。

Jun, 2021

本文提出了一种命名实体抽取系统，用于检测像沃尔玛这样的电商零售商产品标题中的属性。我们发现，将条件随机场和结构化感知器等序列标注算法与策略标准化方案结合起来，可以有效地从标题中提取产品属性值。

Aug, 2016

本研究通过一种端到端的架构，将层次化注释的概念直接嵌入到模型中，以实现对时尚图像的视觉识别，并针对大约 350k 时尚产品图像的数据集进行了多级结构分类的性能优化和演示。

Jun, 2018

电子商务的搜索和推荐通常是在结构化数据上运行，但是在创建更好的搜索和推荐系统时，通常需要大量的非结构化数据，包括客户评论和网络文章。有别于传统的将非结构化数据转化为结构化数据的方法，我们提出了一种完全相反的解决方案，将结构化数据转化为文本数据，并通过 LLMs 对其进行搜索和推荐。

Dec, 2023

本文提出了一种新框架来解决电子商务数据分类的问题，采用半监督学习方法进行数据增强，提高模型的一致性并保持其生产水平性能。

May, 2023

本文提出了一种端到端的无监督属性学习方法，利用在线文本语料库自动发现与人类概念语义属性相关的显著且有区分度的词汇，并针对文本中的噪声和缺失数据，提出了一个深度卷积模型来优化课程 - 属性关联。 实验证明，该方法能够有效地在大规模数据集上发现和学习语义属性，并且在 ImageNet、Animals 较 Attributes 和 aPascal/aYahoo 三个数据集上优于现有技术的零样本学习效果。

Apr, 2017