Mar, 2024

使用大语言模型进行产品属性值的提取与规范化

PDF
TL;DR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。
e-commerce websitesattribute-value extractionlarge language modelswdc pave datasetproduct attribute values
发现论文，激发创造
  • 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

  • 使用 ChatGPT 进行产品信息提取

    本研究探讨了用 ChatGPT 从产品描述中提取属性 / 值对的潜力，实验结果表明，ChatGPT 在 zero-shot 和 few-shot 的情况下都能够实现与预训练的语言模型类似的性能，但需要更少的训练数据和计算量。

    Jun, 2023

  • 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

  • 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

  • 通过有限标记数据学习实现电子商务目录文本属性值的自动验证

    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

  • 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

  • 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

  • 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

  • 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