ACLApr, 2024

EIVEN：多模态 LLM 实现高效的隐式属性值提取

PDF
TL;DR在电子商务中，准确从多模态数据中提取产品属性值对于提高用户体验和零售商的运营效率至关重要。为了解决这些问题，我们引入了 EIVEN，一个数据和参数高效的生成框架，首次使用多模态 LLM 来进行隐含属性值提取，并通过对比学习技术降低模型混淆，构建了多模态隐含属性值提取的初始开源数据集。经过广泛实验，我们发现 EIVEN 在提取隐含属性值方面明显优于现有方法，并且需要更少的标记数据。
e-commerceproduct attribute valuesmultimodal dataeivenimplicit attribute value extraction
发现论文，激发创造
  • 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

  • ImplicitAVE：一个开源数据集和隐式属性值提取的多模态 LLMs 基准

    通过 ImplicitAVE 数据集，本研究提供了第一个公开的多模态隐式属性值提取数据集，并探索了多模态大型语言模型在隐式属性值提取中的应用，为多模态大型语言模型在 ImplicitAVE 数据集上建立了综合基准。

    Apr, 2024

  • 统一学习方案与动态范围最小化提升多模态电子商务属性值提取

    该研究旨在通过统一学习方案和动态范围缩小，提高多模式电子商务属性值提取的性能，通过预训练模型和动态范围缩小方法，将多模式任务联合训练，并选择属性原型来改进当前方法的预测性。

    Jul, 2022

  • 电子商务的多模态属性提取

    本文介绍了一种基于多模态架构和深度模型的方法，从文本和图像中提取商品属性，旨在改善在线市场的用户体验。在实验中，该方法表现出良好的效果，并成功应用于 Rakuten-Ichiba 等在线市场。

    Mar, 2022

  • 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

  • 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

  • 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

  • 多模态属性提取

    本文提出了一种多模态属性提取任务，旨在从不同类型的非结构化数据中提取实体的属性。通过使用 7 百万个不同产品项目的混合媒体数据集，我们展示了利用弱监督学习方法进行属性提取的有效性，并分析了各种信息模态相对于该任务的作用。

    Nov, 2017

  • EAVE: 轻量级稀疏层交互的高效产品属性值提取

    通过轻量级的稀疏层互动，我们提出了一种高效的产品属性值提取（EAVE）方法，其中使用重型编码器分别编码产品上下文和属性，以实现高效的提取性能，并引入轻型编码器来实现上下文和属性的轻量级交互，该方法在两个基准测试中进行了综合评估并取得了显著的效率收益，同时性能损失较小或无损。

    Jun, 2024

  • 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