KDDJul, 2020

电商地址分类的深度上下文嵌入

PDF
TL;DR研究了如何使用自然语言处理和 RoBERTa 模型来理解发展中国家（例如印度）中电商客户的运输地址，该方法结合了诸如编辑距离和语音算法之类的预处理步骤，并最终使用 RoBERTa 模型进行分类。
e-commerceshipping addressesnatural language processingroberta modelsupply chain
发现论文，激发创造
  • 自然语言处理中语义地址匹配的改进

    该研究论文介绍了语义地址匹配技术，通过使用 OCR 从发票中提取地址并创建地址数据池，然后使用 BM-25 算法对最佳匹配条目进行评分，最后通过 BERT 进行相似查询以获得最佳结果，研究结果表明该方法显著提高了现有技术的准确性和性能。

    Apr, 2024

  • 预训练语言模型在土耳其地址解析中的比较

    本文研究了使用 Transformer 模型 Bert、DistilBert、ELECTRA 和 RoBERTa，以及多层感知器 MLP 对土耳其地图数据进行多语言和土耳其语 fine-tune 的实验，结果表明土耳其语特定模型与多语言 fine-tuning 的相比略微更好，并且 BERT 变种对于地址类别分类的效果非常好。

    Jun, 2023

  • 用 Transformers 打击犯罪：在支付数据中进行地址解析方法的经验分析

    在金融行业中，从自由文本消息属性中提取街道、邮政编码或国家等字段是解析地址的关键需求，本文利用 Transformer 模型和生成型大语言模型探索应对海量交易数据的性能，并展示训练鲁棒模型处理实际世界的嘈杂交易数据的重要性。结果表明，良好调整的 Transformer 模型通过提前停止显著优于其他方法，而生成型大语言模型则展现出强大的零 - shot 性能，值得进一步研究。

    Apr, 2024

  • 使用合成数据进行语音转文本中地址提取的命名实体识别

    本文介绍了一种建立在双向编码器变换器（BERT）架构上的命名实体识别（NER）模型的方法，具体使用了 SlovakBERT 模型。该 NER 模型从语音转文本转录获取的数据中提取地址部分。由于真实数据的稀缺性，使用 GPT API 生成了一个合成数据集。强调了在这种人工数据中模仿口语变异的重要性。我们的 NER 模型仅使用合成数据进行训练，并使用小型真实测试数据集进行评估。

    Feb, 2024

  • 基于层次信息的地址匹配

    本文提出了一种基于深度学习的层次化信息利用方法，可以更好地解决不规则地址匹配的问题并更加关注地址中的特殊部分，实验结果表明，该方法可以将现有方法的准确率提高 3.2%。

    May, 2023

  • 利用 BERT-Based 模型预测推文的地理位置

    使用神经网络、自然语言处理以及高斯混合模型，对推特文本中的地理位置进行预测，在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。

    Mar, 2023

  • G2PTL: 一个预训练模型用于配送地址及其在物流系统中的应用

    提出了一种新型的基于地理关系的预训练模型 G2PTL，它采用了真实的物流交付数据构建了一个包含丰富地理知识和交付信息的大规模异构图，并通过采样子图进行预训练，通过真实世界数据的四项下游任务的全面实验表明，G2PTL 能够显著提高物流系统中与交付相关任务的性能。

    Apr, 2023

  • 使用 Siamese Transformer Networks 改善地址匹配

    采用深度学习的方法，设计出一种模型，用于提高邮地址匹配的效率。测试结果表明，模型在准确性和速度方面都表现良好，对于解决分配过程中的问题具有实际价值。

    Jul, 2023

  • 深度学习和推理相结合用于非结构化文本文档的地址检测

    本文提出了一种深度学习与推理相结合的方法，可从非结构化文本文档中找到并提取地址信息，从而提高公司处理效率。

    Feb, 2022

  • 匹配英语语言地址的方法

    通过研究地址匹配任务中的准确率、召回率和准确性指标，我们对地址匹配的最佳方法进行了研究，探究了从基于距离的方法到深度学习模型的各种方法。

    Mar, 2024