Dec, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • LLM-Ensemble: 电商产品属性值提取的优化大型语言模型集成方法

    我们提出了一种名为 LLM-ensemble 的新算法，用于综合不同 LLMs 的输出，以提取属性值，并在 Walmart 的内部数据上进行了广泛的实验，结果表明该方法优于所有其他单个 LLM。

    Feb, 2024

  • 电子商务中从产品标题中提取属性

    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

  • 基于大型语言模型的产品属性值提取

    使用大型语言模型（例如 GPT-4）进行电子商务应用中基于结构化产品描述的属性 / 值对提取，相较于现有技术，该方法在数据使用效率和性能方面有显著优势。

    Oct, 2023

  • 电子商务中产品属性提取的深度循环神经网络

    通过使用深度循环网络模型，如双向 LSTM 和双向 LSTM-CRF，我们比以前的基准测试取得了至少 0.0391 的 F1 得分提升，展示了 97.94％的总体准确度，94.12％的召回率和 0.9599 的 F1 得分，从而实现了重要商品特性的显着覆盖，这不仅显示了深度循环模型相对于以前的机器学习基准测试的功效，还极大地提高了在线购物的整体客户体验。

    Mar, 2018

  • 电商属性的大规模生成式多模态属性提取

    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

  • 利用大型语言模型增强电子商务中的产品描述

    该研究通过使用 LLAMA 2.0 7B 语言模型实现自动化产品描述生成，并在实践中证明其在提高电子商务平台搜索功能和销售额方面具有显著商业影响。

    Oct, 2023

  • 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

  • 使用正无标记学习在电子商务中引导命名实体识别

    提出使用具领域特色的语言特征的积极非标记学习算法来快速、有效扩展种子词典以帮助解决命名实体识别（NER）领域中的问题，该模型在产品描述数据集上的平均 F1 分数为 72.02％，比基线 BiLSTM 分类器提高 3.63％，尤其表现出更好的召回率（平均为 4.96％）。

    May, 2020

  • 自动从非结构化多语言 Web 数据中提取精细化标准化产品信息

    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

  • PAE: 基于 LLM 的电子商务时尚趋势产品属性提取

    该论文提出了一种从 PDF 文件中提取属性的高效框架，旨在帮助零售商提前规划商品组合，通过各种模态的属性提取实现了灵活、高效且优于现有最先进技术的结果（平均 92.5% 的 F1-Score）。

    May, 2024