WWWFeb, 2023

HierCat: 在 Facebook Marketplace 上利用弱监督数据进行层级化查询分类

PDF
TL;DR本文提出了一种名为 HierCat 的查询分类系统，该系统通过使用双编码器体系结构的多任务预训练和分层推理步骤来从弱监督训练数据中有效地学习，以解决 Facebook Marketplace 等客户对客户电子商务平台上查询分类的挑战。实验结果表明，HierCat 不仅在离线实验中优于常用方法，而且在实际应用中，Facebook Marketplace Search 的 NDCG 指标有了 1.4% 的提升，并且搜索者的参与度增加了 4.3%。
query categorizationcustomer-to-customer e-commercefacebook marketplacemultitask pre-trainingdual-encoder architecture
发现论文，激发创造
  • 电子商务搜索中的层次化查询分类

    通过增强的表示学习和细粒度实例关系的对比损失，以及关注内在标签分类法的细粒度层次分类损失，我们提出了一种新颖的框架来解决层次化查询分类的挑战，同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明，我们的方法优于专有的 Amazon 数据集上的最先进方法，并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美，这些结果凸显了我们提出解决方案的有效性，并为下一代层次感知查询分类系统铺平了道路。

    Mar, 2024

  • 基于层次元数据感知的弱监督文档分类

    本研究介绍了 HiMeCat，一种基于嵌入式生成框架的弱监督文档分类方法，它能够有效地整合文本、元数据和标签层次结构，并通过数据增强和联合表示学习模块进一步优化分类效果。

    Oct, 2020

  • 电子商务系统中基于深度分层分类的类别预测

    提出在电子商务系统中利用神经网络构建深度分层分类框架进行自动分类预测，定义多层次分类树的表示共享策略，引入新的联合损失函数对分层分类进行惩罚，实验证明该方法在分类准确率方面优于现有方法。

    May, 2020

  • 基于分层可扩展查询的融合 Transformer 增强分类

    本文提出了一种通过层次化方法和可学习的独立查询嵌入来提高细粒度分类的方法，结合转换块对特征图的不同尺度进行融合，使用 CAMP 模块帮助减少误差传播，与现有方法相比，精度提高了约 11%。

    Feb, 2023

  • 人 - 物交互分类的类别查询学习

    通过使用类别查询学习来学习人 - 物相互作用分类任务中的交互类别，并通过转换器解码器将其转换为图像特定的类别表示，通过辅助的图像级分类任务来实现有效分类，最终实现了两个基准测试的最先进结果。

    Mar, 2023

  • 从隐式反馈数据中学习分层物品类别，实现高效推荐和浏览

    使用来自隐式反馈数据的分层项目类别，以实现在线市场中有效的浏览和推荐。通过基于用户的协同消费行为创建类别，可以使用户更容易找到有趣和相关的商品。 HLTA-Forest 是一个用于隐式反馈数据的缩放学习算法，可用于创建基于类别的推荐，并且还可以用于自动创建商品分类骨架。

    Jun, 2018

  • 从维基百科引导大规模细粒度上下文广告分类器

    本文介绍了一种利用 Wikipedia 分类图解决大规模细粒度文本分类的方法 ——wiki2cat，它可以在无需人工标注的情况下学习和归类广告内容，相对于已有的基于学习和基于关键词的基线模型，该方法具有竞争性的表现。

    Feb, 2021

  • 弱监督表示学习在大规模产品检索中的应用

    本文介绍了一种用于 eBay 可视搜索挑战的弱监督商品检索的新型解决方案，该方案通过使用来自商品标题的伪属性作为多标签分类的真实值，采用多个强大的 backbones，包括白化，重排序和模型集成等后处理技术，实现了 71.53% 的 MAR，为 “Involution King” 在排行榜上获得第二名。

    Aug, 2022

  • 文献综述的层次目录生成：基准评估

    本研究以文獻綜述的目錄生成為挑戰，構建了涵蓋 13.8k 個目錄和 120k 個參考文獻的英文文獻綜述目錄數據集，並通過端到端和管線方法進行了多方面的評估與分析，提出了基於語義和結構相似度的模型性能評估方式。結果顯示，本研究提出的生成方法與評估指標具有較高的效果和品質，並且為以後的相關研究提供了方向。

    Apr, 2023

  • TagRec++: 基于层级标签感知的注意力网络用于问题分类

    该论文提出了一种名为 TagRec++ 的模型，将在线学习系统中的问题按照其上下文进行分类，引入了密集的检索问题，采用了交叉注意力机制，优于现有方法，并考虑到了新的标签变化。

    Aug, 2022