ACLApr, 2019

移动电商短产品标题生成的多模态生成对抗网络

PDF
TL;DR本文提出了一种用于移动电商下的产品标题生成算法 MM-GAN，该算法从原始长标题中提取文本信息、产品的图像信息和属性标签等多模态信息，并将短标题生成视为一个强化学习过程。在进行模型训练和评估时，以类人的视角评估生成的标题，该算法在大规模电商数据集上的实验证明，与其他方法相比，本算法表现更优，应用于真实世界的电商平台后，点击率和点击转化率均有明显提高。
mobile e-commerceproduct title generationmulti-modal generative adversarial networkreinforcement learningclick through rate
发现论文，激发创造
  • 多模态生成对抗学习优化产品标题

    本文提出了一种多模态生成对抗网络 MM-GAN，用于生成商品的简短标题，可综合利用图像信息、商品的属性标签和原长标题的文本信息，将生成的标题视为一个强化学习过程，在一个类人的视角下由判别器进行评估。

    Nov, 2018

  • 移动端自动生成中文简短产品标题

    研究了一种从手动撰写的电子商务产品长描述中自动提取短标题的问题，为此我们提出了一种特征丰富的网络模型，并针对短文本输入的一种新的抽取式汇总问题。实验结果表明，这种框架显著优于几种基线，并获得 4.5% 的实质性提升。此外，我们还为电子商务短文本制作了一个抽取式汇总数据集，并将其发布给研究界。

    Mar, 2018

  • 极少标签下的多模态提示学习用于产品标题生成

    本文提出了一种基于多模态提示学习框架的方法，通过仅使用少量标注数据快速高效地为新颖产品生成标题，并在不同场景中进行实验证明，在仅使用 downstream 标签数据 1% 的情况下，该方法实现了最佳 few-shot 学习效果，甚至与完全监督的方法相比也具有竞争力。

    Jul, 2023

  • eCommerceGAN : 一种用于电子商务的生成对抗网络

    本文提出了一种基于对抗生成网络的电子商务订单生成方法，通过训练生成器可以产生各种可能的订单，并使用定量和定性方法评估其有效性和适用性。

    Jan, 2018

  • 一种基于用户搜索日志数据的多任务学习方法，用于提高产品标题压缩

    本研究提出了一种新的多任务学习方法，利用用户搜索日志数据来提高产品标题压缩。采用指针网络序列到序列方法进行标题压缩，并采用关注机制的关注编码器解码器方法生成用户搜索查询。

    Jan, 2018

  • 面向产品标题摘要的多源指针网络

    本文提出了一种面向移动设备的电子商务应用中产品标题摘要问题的处理方法 —— 多源指针网络。该方法通过新增知识编码器处理以下两个约束：不引入无关信息和保留关键信息。实验证明，该方法显著优于其他基线。实际在线业务部署通过点击率也得到了验证。

    Aug, 2018

  • 文本到图像生成的跨模态对比学习

    使用交叉模态对比生成对抗网络（XMC-GAN）进行文本到图像的综合，通过使用多个对比损失，注意力自我调节生成器和对比鉴别器，以最大化图像和文本之间的相互信息，改善了图像合成的质量，并在 MS-COCO、Localized Narratives 和 Open Images 上实现了最先进的 FID 评分．

    Jan, 2021

  • 多模态产品图像分割的互查询网络

    本文提出一种基于视觉和语言两种形式的模态的互相查询网络，用于产品图像的分割，并构建了一个多模态产品分割数据集（MMPS），实验结果表明该方法显著优于现有方法。

    Jun, 2023

  • MALLM-GAN：用于合成表格数据的多智能体大型语言模型生成对抗网络

    在大数据时代，访问丰富的数据来推动研究进展至关重要，然而在医疗领域，这种数据往往由于隐私问题或高成本而无法获得。生成合成数据可以解决这个问题，但现有模型通常需要大量数据进行训练，与我们解决数据稀缺的目标相矛盾。为了应对这一挑战，我们提出了一个新的框架，通过利用大型语言模型（LLMs）作为推广对抗网络（GAN）的优化器，并将数据生成过程作为上下文信息进行了改进，显著提高了在小样本情况下生成合成表格数据的质量。我们在公共和私有数据集上的实验结果表明，我们的模型在生成更高质量的合成数据用于后续任务时，保持真实数据的隐私方面优于几个最先进的模型。

    Jun, 2024

  • 电商问答中基于产品的答案生成

    本文提出了一种名为 PAAG 的基于对抗学习的模型来解决电子商务中针对产品相关问题的答案生成问题，其中包括通过大规模未标注的电子商务评论和产品属性生成准确且完整的答案。在一个大规模的真实电子商务数据集上进行的广泛实验验证了我们模型中每个模块的有效性，并且我们的实验表明，我们的模型在自动指标和人工评估方面均实现了最先进的性能。

    Jan, 2019