Jun, 2024

EAVE: 轻量级稀疏层交互的高效产品属性值提取

PDF
TL;DR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。
product attribute value extractionefficiencyeave approachsparse-layer interactionevaluation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

    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。

    Nov, 2023

  • AdaTag：自适应解码从产品概要中提取多个属性值

    本研究提出 AdaTag，通过自适应解码使用预训练属性嵌入来生成针对不同属性的分离式解码器，从而促进了知识共享，并保持了每个属性的特异性。在实际的电子商务数据集上，与以前的方法相比，我们的实验显示出显着的改进。

    Jun, 2021

  • 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

  • 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

  • EIVEN：多模态 LLM 实现高效的隐式属性值提取

    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。

    Apr, 2024

  • 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