Aug, 2023

基于知识增强的多标签少样本产品属性值提取

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • EAVE: 轻量级稀疏层交互的高效产品属性值提取

    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

  • JPAVE: 一种基于生成和分类的联合产品属性预测和价值提取模型

    我们提出了一个多任务学习模型 JPAVE，通过值的生成 / 分类和属性预测来预测文本中的值，解决了数据差异问题和零样本能力的限制。

    Nov, 2023

  • MAVE: 多源属性值提取产品数据集

    该论文介绍了一个新的 MAVE 数据集，由 2.2 百万个商品和 3 百万个属性值注释构成，可以更好地促进产品属性值的提取研究。除了提供多源表示，MAVE 还包含了更多和多样化的属性和值，并提供了一个非常具有挑战性的零 - shot 测试集。

    Dec, 2021

  • AE-smnsMLC：产品属性值提取的带语义匹配和负标签抽样的多标记分类

    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

  • 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

  • ImplicitAVE：一个开源数据集和隐式属性值提取的多模态 LLMs 基准

    通过 ImplicitAVE 数据集，本研究提供了第一个公开的多模态隐式属性值提取数据集，并探索了多模态大型语言模型在隐式属性值提取中的应用，为多模态大型语言模型在 ImplicitAVE 数据集上建立了综合基准。

    Apr, 2024

  • AdaTag：自适应解码从产品概要中提取多个属性值

    本研究提出 AdaTag，通过自适应解码使用预训练属性嵌入来生成针对不同属性的分离式解码器，从而促进了知识共享，并保持了每个属性的特异性。在实际的电子商务数据集上，与以前的方法相比，我们的实验显示出显着的改进。

    Jun, 2021

  • 基于知识引导的强化学习开放属性值提取

    利用知识图谱引导的强化学习框架，对开放属性值提取任务进行了研究，结果表明该方法在不同的信息提取系统中都优于基准线 16.5 - 27.8％。

    Oct, 2020

  • 生成少样本分类的代表性样本

    基于条件变分自编码器模型，使用语义嵌入生成视觉样本，通过训练生成具有代表性的样本来改善数据稀缺性问题，提升 few-shot 分类效果，实验结果表明我们提出的方法在 1-shot 和 5-shot 设置下在 miniImageNet 和 tieredImageNet 数据集上实现了最先进的性能。

    May, 2022