WWWApr, 2022

OA-Mine: 开放世界下的弱监督电子商务产品属性挖掘

PDF
TL;DR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。
发现论文，激发创造
  • 面向开放世界的产品属性挖掘：一种轻度监督的方法

    提出了一种新的任务设置，用于在电子商务产品中进行属性挖掘，通过使用高质量种子属性集进行监督学习，结合自监督启发式和无监督的潜在属性，利用产品上下文作为附加监督，自动扩展属性词汇，发现新的属性类型。

    May, 2023

  • OpenTag: 从产品概要中进行开放式属性值提取 [深度学习，主动学习，命名实体识别]

    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

  • 电子商务中从产品标题中提取属性

    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

  • 统一学习方案与动态范围最小化提升多模态电子商务属性值提取

    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

  • 使用大语言模型进行产品属性值的提取与规范化

    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

  • 基于知识的简单有效的查询扩展实现 QA 型产品属性提取

    提出基于简单知识驱动的查询扩展方法，从训练数据中检索查询的值，通过两个方法来训练模型，结果表明该方法在电商网站上的属性值提取任务中具有较好的性能提升，特别是对于罕见和模糊的属性的提取效果更明显。

    Jun, 2022

  • 电商属性的大规模生成式多模态属性提取

    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

  • 电商产品的多模态联合属性预测和价值提取

    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

  • 探索生成模型提取产品标题的联合属性值

    本文提出了基于生成式框架的 Attribute Value Extraction 任务处理方法。通过将 AVE 任务定义为生成问题并提出了单词序列和位置序列两种生成式范例。在两个数据集上进行实验，结果表明所提出的框架可以无需额外标记或任务特定模型设计即可取得新的最先进的结果。

    Aug, 2022

  • 自动从非结构化多语言 Web 数据中提取精细化标准化产品信息

    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