电子商务系统中基于深度分层分类的类别预测
通过增强的表示学习和细粒度实例关系的对比损失,以及关注内在标签分类法的细粒度层次分类损失,我们提出了一种新颖的框架来解决层次化查询分类的挑战,同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明,我们的方法优于专有的 Amazon 数据集上的最先进方法,并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美,这些结果凸显了我们提出解决方案的有效性,并为下一代层次感知查询分类系统铺平了道路。
Mar, 2024
本文提出了一种基于机器翻译的产品分类新范式,通过将产品的自然语言描述翻译成代表产品分类树中从根到叶子的路径的一系列标记,实现了比最先进的分类系统更好的预测准确性,并且可以在分类树中提出有意义的新路径,将其转换为有向无环图,从而有助于用户友好浏览和适应新产品的分类。
Dec, 2018
本文介绍了一种基于层次化视觉数据结构的图像分类方法,该方法利用层次聚类创建了可变长度的视觉树,从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。
Sep, 2017
本文提出了一种名为 HierCat 的查询分类系统,该系统通过使用双编码器体系结构的多任务预训练和分层推理步骤来从弱监督训练数据中有效地学习,以解决 Facebook Marketplace 等客户对客户电子商务平台上查询分类的挑战。实验结果表明,HierCat 不仅在离线实验中优于常用方法,而且在实际应用中,Facebook Marketplace Search 的 NDCG 指标有了 1.4% 的提升,并且搜索者的参与度增加了 4.3%。
Feb, 2023
本研究回顾了针对大规模电子商务目录的产品项分类问题。我们提出了一种基于深度学习的分类模型框架,利用多个分类器的组合和融合来改善分类性能,并使用元数据特征和低级特征工程来提升模型质量。此外,我们还提出了一种使用用户会话评估模型性能的新方法,相较于传统的精确度和召回率等评估指标,提供更详尽的洞察力。
Jul, 2023
使用来自隐式反馈数据的分层项目类别,以实现在线市场中有效的浏览和推荐。通过基于用户的协同消费行为创建类别,可以使用户更容易找到有趣和相关的商品。 HLTA-Forest 是一个用于隐式反馈数据的缩放学习算法,可用于创建基于类别的推荐,并且还可以用于自动创建商品分类骨架。
Jun, 2018
针对商品分类中的文本表示和算法效率问题,我们提出了一种新的分布式语义表示方法和两层集合式分类器来降低错误率,实验结果表明,我们的方法比先前的方法在各种评价指标上更有效。
Jun, 2016
该论文采用决策级融合方法将文本和图像输入用于产品分类预测,通过训练深度神经网络和学习网络来选择输入类型,并成功地提高了大规模产品分类数据集上的准确性。
Nov, 2016