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

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

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

该研究提出了一种从医学文献中的表格中提取数值和文本信息的方法，包括表格检测、功能处理、结构处理、语义标记、语用处理、单元选择和句法处理等七个步骤，F - 度量值范围在 82% - 92% 之间.

Feb, 2019

本文提出了一种多模态属性提取任务，旨在从不同类型的非结构化数据中提取实体的属性。通过使用 7 百万个不同产品项目的混合媒体数据集，我们展示了利用弱监督学习方法进行属性提取的有效性，并分析了各种信息模态相对于该任务的作用。

Nov, 2017

本研究探讨了用 ChatGPT 从产品描述中提取属性 / 值对的潜力，实验结果表明，ChatGPT 在 zero-shot 和 few-shot 的情况下都能够实现与预训练的语言模型类似的性能，但需要更少的训练数据和计算量。

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

本文探讨使用大型语言模型（如 OpenAI 的 GPT-3.5 和 GPT-4）从产品标题和产品描述中提取和规范化属性值的潜力，并介绍了 WDC PAVE 数据集，通过实验展示 GPT-4 在产品属性值的提取和规范化上相对于 PLM 的方法获得了 91% 的 F1 得分，并且在字符串处理和名称扩展方面表现出色。

Mar, 2024

这篇论文提出了一种基于深度学习的方法，从各种电子商务网站的用户评论中提取产品比较信息。通过使用 LSTMs 能够很好地捕捉它们之间的相互依赖关系，该系统在现有的手动标记数据集上表现出较强的性能，超越了现有的语义角色标注（SRL）框架。

Oct, 2023