Nov, 2023

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

PDF
TL;DR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。
product attribute value extractiondownstream applicationsmulti-task learning modeldata discrepancy issuezero-shot ability
发现论文，激发创造
  • 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

  • 产品属性值识别的统一生成方法

    本研究探讨了使用生成模型的产品属性值识别（PAVI）任务，通过微调预训练的 T5 模型，可以在真实世界数据集上优化现有的提取和分类方法。

    Jun, 2023

  • 产品属性 - 值识别的生成式方法实证比较

    商品属性在电子商务平台中起着关键作用，本文将其产品属性和值识别（PAVI）任务作为一项生成任务进行了全面评估，比较了三种不同的基于微调编码器 - 解码器模型的属性 - 值生成策略，实验证明了端到端的生成方法在效率上优于其他策略。

    Jul, 2024

  • 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

  • 电商产品的多模态联合属性预测和价值提取

    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

  • SAGE：面向十亿级产品目录的结构化属性值生成

    我们介绍了 SAGE，这是一个用于在全球电子商务目录中推断产品属性值的生成型 LLM。我们引入了一种新颖的属性值预测问题的公式化，作为一个跨语言、产品类型和目标属性的 Seq2Seq 总结任务。我们的新颖建模方法消除了在预测属性值时必须从预定选择集合中进行选择的限制，以及必须在文本中明确提及所需属性值的要求。SAGE 甚至可以推断那些用迂回语言含蓄提及或根本未提及的属性值，例如普遍常识默认值。此外，SAGE 可以预测某个属性在手头产品中是否不适用或无法从可用信息中获得。SAGE 是首个能够应对电子商务目录中实际设置中出现的属性 - 值预测任务的方法。一系列综合实验证明了所提方法的效果以及其对现有最先进方法的优越性。此外，我们的实验突出了 SAGE 在零样本情境中预测属性值的能力，从而为大幅减少所需的标记示例总数提供了机会。

    Sep, 2023

  • 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

  • 使用大语言模型进行产品属性值的提取与规范化

    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

  • 基于知识增强的多标签少样本产品属性值提取

    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

  • 电商问答中基于产品的答案生成

    本文提出了一种名为 PAAG 的基于对抗学习的模型来解决电子商务中针对产品相关问题的答案生成问题，其中包括通过大规模未标注的电子商务评论和产品属性生成准确且完整的答案。在一个大规模的真实电子商务数据集上进行的广泛实验验证了我们模型中每个模块的有效性，并且我们的实验表明，我们的模型在自动指标和人工评估方面均实现了最先进的性能。

    Jan, 2019