Sep, 2023

利用 BERT 和神经网络进行复杂属性关联的异构实体匹配

PDF
TL;DR通过引入预训练模型，我们提出了一种新颖的实体匹配模型 (EMM-CCAR)，该模型将匹配任务转化为序列匹配问题，以减轻不同数据格式的影响。通过引入注意机制，该模型能够确定属性之间复杂的关系，强调多个属性之间的匹配程度而不仅仅是一对一的对应关系。使用 EMM-CCAR 模型能够有效应对数据异质性和复杂的属性关联，与现有的 DER-SSM 和 Ditto 方法相比，我们的模型在 F1 得分上分别提升了约 4% 和 1%，为解决实体匹配中属性复杂性的问题提供了一种强大的解决方案。
entity matchingdata heterogeneityattribute relationshipspre-trained modelsf1 scores
发现论文，激发创造
  • 增强电子商务属性提取：创新的装饰关系修正和基于 LLAMA 2.0 的标注

    本研究提出了一种创新的框架，将 BERT 用于分类、有条件随机场（CRFs）层用于属性值提取，以及大型语言模型（LLMs）用于数据标注，显著提高了对顾客查询中属性的识别能力。通过在电子商务数据中细致的产品类型和属性间的关系上引入装饰关系修正机制，并使用 LLMs 将附加数据标注为模型的完善和覆盖提供支持，我们的方法在不同数据集上进行了验证，并在 Walmart 的 Sponsor Product Search 中得到了令人期待的结果，彰显了其实用性和有效性。

    Dec, 2023

  • 搜索中的多意图属性感知文本匹配

    通过多意图建模、属性感知编码和意图感知匹配等方法，我们提出了多意图属性感知匹配模型，旨在探索文本匹配系统中属性的有效性，以提高搜索查询与候选项的匹配效果。

    Feb, 2024

  • 利用大型语言模型进行关系发现来消除实体匹配的歧义

    通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。

    Mar, 2024

  • 利用大型语言模型进行实体匹配

    实体匹配是数据集成中的关键任务，本文探讨了将大型语言模型应用于实体匹配的优势、挑战和未来研究方向，同时回顾了关于弱监督和无监督方法在实体匹配中的应用以及大型语言模型如何增强这些方法。

    May, 2024

  • 属性化多层异构网络的表示学习

    本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

    May, 2019

  • 基于序列的人物属性识别与联合 CTC-Attention 模型

    本文提出了一种联合 CTC-Attention 模型（JCM），该模型将属性标签映射到序列中以学习属性之间的语义关系，并采用神经网络将图像编码为序列，采用了注意力模型解码序列，从而更好地学习语义信息，实验结果表明该方法对属性识别具有有效性。

    Nov, 2018

  • 实体匹配的现实与理想之间的沟通：一个重访和基准重建

    本研究建立了新的实体匹配（EM）语料库和重构 EM 基准来挑战以前 EM 基准构建过程中的关键性假设，实验证明以往基准构建过程中的假设与开放环境不符，掩盖了 EM 任务的主要挑战。

    May, 2022

  • 联合属性保持嵌入的跨语言实体对齐

    本文提出了一种联合属性保留嵌入模型以解决跨语言实体对齐的问题，将两个知识库的结构联合嵌入到一个统一的向量空间，通过利用知识库中的属性相关性进一步优化。实验结果表明，该方法显著优于现有的基于嵌入的方法。

    Aug, 2017

  • 电子商务文本属性标准化的可扩展方法（SANTA）

    SANTA 是一个自动归一化电子商务属性值的可扩展框架，提高属性标准化的准确性，与已有的基于模糊字符串匹配和语义嵌入算法相比，使用深度学习算法的词嵌入可提高基于商品属性数据的标准化性能。

    Jun, 2021

  • 匹配、比较还是选择？对大型语言模型在实体匹配中进行的探究

    基于大型语言模型的实体匹配方法通常忽略不同记录之间的整体一致性。本文研究了多种基于大型语言模型的实体匹配方法，将不同视角的记录交互纳入考量，并综合比较了三种具有代表性的策略：匹配、比较和选择。基于实验结果，我们设计了一个组合式的实体匹配框架（ComEM），该框架借鉴了多种策略和大型语言模型的优势，提高了实体匹配的效果和效率，在不同数据集上均取得了显著的性能提升，并降低了基于大型语言模型实体匹配的成本。

    May, 2024