该论文展示了最近机器学习的进展,结合已发表的标准化细粒度产品类别信息的多语言数据集,使得在具有挑战性的迁移学习设置中实现了可靠的产品属性提取,可以跨在线商店、语言或两者可靠地预测产品属性,并且可用于匹配在线零售商之间的产品分类法。
Feb, 2023
个性化推荐系统在电子商务领域的应用及挑战,以及利用 BERT 模型和最近邻算法设计的 eBay 电子商务平台的个性化推荐系统的高效性和可行性。
Mar, 2024
利用保留非结构化文本语料的数据表征和结构化注释,我们提出了两种新的联合查询解释和响应排序的公式,既考虑了查询解释的不确定性,又将信息从知识库和语料库之间进行双向流动,这在实体搜索中表现出更高的精度。
Dec, 2012
本文研究了使用基于层次模型和平面模型的两个深度学习模型,以及结合结构化和非结构化特征的卷积滤波的新方法,以解决电子商务中几千个类别和数百万个产品的产品分类问题。
Mar, 2019
通过细节化和有连续性的产品信息来解决电子商务中的个性化、需求预测和产品规划难点,本文详细描述了 ASOS 在此方面的架构和方法,并展示了它在混合推荐系统中的应用。
Mar, 2018
该研究提出了一种名为 SEOpinion 的方法,使用模板信息和客户评论结合的方式,为产品方面提供总结并发现对其的意见,通过层次化的产品方面提取和基于产品方面的意见总结两个主要阶段,利用深度学习的 BERT 技术进行测试。实验结果表明,循环神经网络(RNN)在第一和第二阶段的 F1 值方面取得了比卷积神经网络(CNN)和支持向量机(SVM)技术更好的结果(分别为 77.4% 和 82.6%)。
Dec, 2023
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。
本文讨论了利用大型语言模型查询结构化和非结构化数据的潜力,并概述了构建这两种数据类型问答系统的相关研究挑战。
Apr, 2023
本研究回顾了推荐系统在电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域的不同技术和发展,并通过分析最近的研究,提供了当前发展的详细概述,识别了推荐系统中的现有困难,为实践者和研究人员提供了必要的指导和见解。
Aug, 2022
本文研究如何使用数据挖掘、自然语言处理技术和本体论来提取产品方面和用户意见,并使用频繁(标记)集,讨论了提出的框架能够提取评论中所有可能的方面和意见,并通过相似性分组代表性方面,并生成输出摘要。该框架与现有基线模型相比,得到了有希望的结果。
Apr, 2014