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

该论文旨在使用基于树的 XMC 模型来改善语义产品搜索，其中推理时间复杂度对于产品数量为对数级。使用 n-gram 特征进行层次线性模型并通过重量修剪使本方法具有灵活性，提高了 Recall@100，并在搜索结果中添加了多样性。

Jun, 2021

MetaBridge 是一种新颖的元学习潜变量方法，可从有限标记数据的一组类别中学习可转移的知识，并利用未标记数据捕捉从未见过的类别的不确定性，用于验证产品目录中的文本属性值，具有比现有最先进方法更优异的性能。

Jun, 2020

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。

Aug, 2023

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

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

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

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

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

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。

Apr, 2022