本文提出了一种基于深度标注模型 OpenTag 的解决方案，可以利用商品标题和描述等信息，从产品目录中发现缺失值的属性值，通过为期更少的标注样本使用主动学习策略，OpenTag 已经成功地从 150 个标注样本中探索出新的属性值，并实现高 F 值 83％的表现

Jun, 2018

本论文提出了 MXT 框架，利用问题 - 回答任务解决电商产品页属性提取问题，同时提出生成模型，使用文本和图像来预测属性值，该系统能够处理传统分类和命名实体识别难以解决的零样本和无值问题，并使用远程监督训练，降低了维护模型的难度，实验结果表明，该框架的表现优于现有的先进模型。

Jun, 2023

该研究提出了一种多模式方法，结合了产品图片和文本描述信息，以联合预测产品属性和提取属性值，实现了完备和准确的产品属性值数据集，并在实验中证明了显式建模属性和值之间关系以及选择性地利用产品信息可以提高任务表现。

Sep, 2020

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

本文将产品属性值的提取任务重新定义为一个多标签分类任务，并提出了一种带有语义匹配和负标签采样的分类模型，实验证明该模型在真实世界的电子商务数据集中表现出有效性和优越性。

Oct, 2023

通过轻量级的稀疏层互动，我们提出了一种高效的产品属性值提取（EAVE）方法，其中使用重型编码器分别编码产品上下文和属性，以实现高效的提取性能，并引入轻型编码器来实现上下文和属性的轻量级交互，该方法在两个基准测试中进行了综合评估并取得了显著的效率收益，同时性能损失较小或无损。

Jun, 2024

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

通过使用原型网络基于生成的标签描述和类别信息，结合混合注意力以减少噪音并捕获更多信息以实现更具有区别性的原型，我们提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型，并通过整合支持集和查询集的语义信息来学习动态阈值实现多标签推断。大量的实验和消融研究表明，KEAF 在少样本学习中的信息提取任务中优于其他 SOTA 模型。

Aug, 2023

该研究旨在通过统一学习方案和动态范围缩小，提高多模式电子商务属性值提取的性能，通过预训练模型和动态范围缩小方法，将多模式任务联合训练，并选择属性原型来改进当前方法的预测性。

Jul, 2022

本文中，我们研究了开放世界环境下的属性挖掘问题，提出了基于预训练语言模型的属性挖掘框架，该框架能够从产品标题中提取短语，生成属性值候选项，并将其聚类成属性组。通过自集成技术，我们成功地处理了开放世界挑战，并在大规模样本集和测试集上取得了显著的优势。

Apr, 2022