Jun, 2022

购物查询数据集：用于提升产品搜索的大规模 ESCI 基准

PDF
TL;DR本文介绍了一个大型 Amazon 搜索数据集 —— 购物查询数据集，他包含约 130 万个搜索查询，用于研究如何通过机器学习和数据挖掘技术来提高搜索结果的质量。购物查询数据集被广泛地应用在 KDD Cup '22 挑战赛中，包括如下三个评价任务：排序搜索结果列表、将产品结果分类成相关类别和为给定查询寻找替代产品。购物查询数据集可能会成为未来产品搜索领域的黄金标准。
search results qualitymachine learningdata miningamazon search querieskddcup'22 challenges
发现论文，激发创造
  • Products-10K：一项大规模产品识别数据集

    电子商务日益发展，零售 AI 系统需要自动识别高准确度的 SKU 级别的产品，本研究构建了一个包含 10,000 个人工标注细粒度 SKU 级别产品的图像数据集，并针对细粒度产品识别提出了多种有用的技巧。

    Aug, 2020

  • 大规模网页图像 - 文本数据集用于视觉概念理解

    通过商业购物网站提供的大规模公共数据集‘Let's Go Shopping (LGS)’，我们发现现存基准数据集的分类器在电子商务数据上无法很好地进行泛化，而特定的自我监督视觉特征提取器则可以更好地进行泛化，此外，LGS 数据集的高质量电子商务特定图像和双模态性质，使其对于视觉 - 语言双模态任务具有优势，可以帮助图像生成丰富的标题，并实现电子商务风格的文本到图像转换。

    Jan, 2024

  • Amazon-M2：一个用于推荐和文本生成的多语言多地区购物会话数据集

    通过创建 Amazon-M2 数据集，我们提出了一种多语言多地区的购物会话数据集，用于模拟用户行为和偏好，从而帮助提升个性化推荐以及理解用户取向，为进一步的研究和实践带来新的见解。

    Jul, 2023

  • eProduct: 应对产品识别挑战的百万级视觉搜索基准

    本文介绍了 eProduct 数据集的创建，该数据集包含 250 万个产品图片。eProduct 可作为一个训练集和评估集来加速自监督学习、弱监督学习和多模态学习等领域的发展，特别是针对细粒度识别问题，如视觉搜索。通过基于此数据集训练的基线模型的性能，分析了 eProduct 数据集的多样性和使用结果。

    Jul, 2021

  • QueryNER: 电子商务查询的分割

    我们提出了 QueryNER，一个手动注释的数据集和相应模型，用于电子商务查询分割。我们的研究工作关注的是将查询分成有意义的块，而不是仅仅提取产品标题或查询的特定方面。通过实验比较标记结果和令牌和实体删除方法来恢复无效和低召回的查询，我们展示了如何使用简单的数据增强技术使模型对噪声更加稳健。我们提供了 QueryNER 数据集的公开可用性。

    May, 2024

  • PerSHOP -- 波斯购物对话系统建模的数据集

    本文通过众包开发了包含近 22k 个发言、15 个不同领域和 1061 个对话的波斯语对话数据集，并对其进行了标注以训练模型。同时，我们提出了一些用于自然语言理解（NLU）任务的基准模型，其中，意图分类的 F-1 得分约为 91％，实体抽取的 F-1 得分约为 93％，这可作为未来研究的基准。

    Jan, 2024

  • 神经代码搜索评估数据集

    本文介绍了一种自然语言代码搜索模型的性能评估方法，并提供了包含查询和代码碎片对的评估数据集，以作为未来工作的标准基准。此外，本文还提供了最近工作中两种代码搜索模型的研究结果。

    Aug, 2019

  • 提升电子商务搜索结果的几点实践

    本研究旨在通过应用自然语言处理方法来提高搜索结果的质量，从而显著增强电子商务搜索引擎的用户体验和参与度。我们在 Amazon KDD Cup 2022 中排名第一、第二和第三，讨论了我们的实用解决方案，可在此 https URL 获取代码。

    Jul, 2022

  • QUEST：一种具有隐式集合操作的实体检索查询数据集

    使用维基百科分类名，我们半自动构建了一个包含 3357 个自然语言查询的 QUEST 数据集，并用于挑战现代检索系统对于含有隐式集合操作的查询的应对能力，发现包含否定和连接的查询尤其具有挑战性。

    May, 2023

  • SearchQA：一份由搜索引擎中加强了语境的新问答数据集

    该研究提出了一个名为 SearchQA 的数据集，该数据集用于机器理解和问答，并通过从 J! Archive 爬取的现有问题 - 答案配对及 Google 检索的文本片段进行扩充。在 SearchQA 中，包含了 14 万个问题 - 答案对，每个对平均包含 49.6 个片段。使用人类评估以及两种基准方法进行测试，研究显示了人类和机器表现之间的显著差距，表明所提出的数据集可作为问答的基准。

    Apr, 2017