論文の概要: AutoKnow: Self-Driving Knowledge Collection for Products of Thousands of
Types
- arxiv url: http://arxiv.org/abs/2006.13473v1
- Date: Wed, 24 Jun 2020 04:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 12:51:34.762464
- Title: AutoKnow: Self-Driving Knowledge Collection for Products of Thousands of
Types
- Title（参考訳）: autoknow: 何千ものタイプの製品のための自動運転知識コレクション
- Authors: Xin Luna Dong, Xiang He, Andrey Kan, Xian Li, Yan Liang, Jun Ma, Yifan
Ethan Xu, Chenwei Zhang, Tong Zhao, Gabriel Blanco Saldana, Saurabh
Deshpande, Alexandre Michetti Manduca, Jay Ren, Surender Pal Singh, Fan Xiao,
Haw-Shiuan Chang, Giannis Karamanolakis, Yuning Mao, Yaqing Wang, Christos
Faloutsos, Andrew McCallum, Jiawei Han
- Abstract要約: 当社のAutoKnowは、製品に関する情報の整理に対処する自動(自動運転)システムです。
このシステムには、分類学の構築、製品財産の識別、知識抽出、異常検出、同義語発見のための一連の新しい技術が含まれている。
AutoKnowは、1万以上の製品タイプの製品知識を収集している。
- 参考スコア（独自算出の注目度）: 127.99385433323859
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Can one build a knowledge graph (KG) for all products in the world? Knowledge
graphs have firmly established themselves as valuable sources of information
for search and question answering, and it is natural to wonder if a KG can
contain information about products offered at online retail sites. There have
been several successful examples of generic KGs, but organizing information
about products poses many additional challenges, including sparsity and noise
of structured data for products, complexity of the domain with millions of
product types and thousands of attributes, heterogeneity across large number of
categories, as well as large and constantly growing number of products. We
describe AutoKnow, our automatic (self-driving) system that addresses these
challenges. The system includes a suite of novel techniques for taxonomy
construction, product property identification, knowledge extraction, anomaly
detection, and synonym discovery. AutoKnow is (a) automatic, requiring little
human intervention, (b) multi-scalable, scalable in multiple dimensions (many
domains, many products, and many attributes), and (c) integrative, exploiting
rich customer behavior logs. AutoKnow has been operational in collecting
product knowledge for over 11K product types.
- Abstract（参考訳）: 世界中のすべての製品に知識グラフ(KG)を構築できるだろうか?
知識グラフは、検索や質問応答のための貴重な情報源として確立されており、KGがオンライン小売サイトで提供される製品に関する情報を含めることができるかどうか疑問視するのは当然である。
一般的なKGの例はいくつかあるが、製品に関する情報の整理は、製品のスパーシリティや構造化データのノイズ、数百万の製品タイプと数千の属性を持つドメインの複雑さ、多数のカテゴリにわたる異質性、そして大規模で継続的に増加する製品の数など、多くの課題をもたらす。
これらの課題に対処する自動(自動運転)システムautoknowについて説明する。
本システムは、分類構成、製品特性同定、知識抽出、異常検出、同義語発見のための一連の新しい技術を含む。
AutoKnowは
a)人間の介入をほとんど必要とせず自動で
(b)マルチスケーリング可能で、複数の次元(多くのドメイン、多くの製品、多くの属性)でスケーラブルで、
(c) 統合的で、豊富な顧客行動ログを利用する。
AutoKnowは、1万以上の製品タイプの製品知識を収集している。
関連論文リスト
- Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - Automated Extraction of Fine-Grained Standardized Product Information
from Unstructured Multilingual Web Data [66.21317300595483]
機械学習の最近の進歩と最近発表された多言語データセットが組み合わさって、堅牢な製品属性抽出を可能にしていることを示す。
私たちのモデルは、オンラインショップや言語、あるいはその両方で、確実に製品属性を予測できます。
論文 参考訳（メタデータ） (2023-02-23T16:26:11Z) - Learning by Asking Questions for Knowledge-based Novel Object
Recognition [64.55573343404572]
実世界のオブジェクト認識には、認識すべきオブジェクトクラスが多数存在する。教師付き学習に基づく従来の画像認識は、トレーニングデータに存在するオブジェクトクラスのみを認識できるため、現実の世界においては限定的な適用性を有する。
そこで本研究では,モデルが新たなオブジェクトを瞬時に認識するのに役立つ質問生成を通じて,外部知識を取得するための枠組みについて検討する。
我々のパイプラインは、オブジェクトベースのオブジェクト認識と、新しい知識を得るために知識を意識した質問を生成する質問生成という2つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-10-12T02:51:58Z) - A Survey on Knowledge Graph-based Methods for Automated Driving [0.0]
知識グラフ(KG)は、構造化データ、動的データ、およびリレーショナルデータを活用することで恩恵を受けるアプリケーションに対して、業界と学術の両方から大きな注目を集めている。
我々は、現在研究課題を議論し、自動運転のためのKGベースのソリューションについて、将来的な研究方向性を提案する。
論文 参考訳（メタデータ） (2022-09-30T15:47:19Z) - eProduct: A Million-Scale Visual Search Benchmark to Address Product
Recognition Challenges [8.204924070199866]
eProductは、実世界のさまざまなビジュアル検索ソリューションのトレーニングと評価のためのベンチマークデータセットである。
本稿では,eProductをトレーニングセットと評価セットとして提示し,トレーニングセットには1.3M+のタイトル付き画像と階層的カテゴリラベルが記載されている。
本稿では,eProductの構成手順,多様性の分析,トレーニングしたベースラインモデルの性能について紹介する。
論文 参考訳（メタデータ） (2021-07-13T05:28:34Z) - Billion-scale Pre-trained E-commerce Product Knowledge Graph Model [13.74839302948699]
電子商取引製品知識グラフのための事前学習知識グラフモデル(PKGM)。
PKGMは、知識グラフのトリプルデータにアクセスせずに、埋め込みベースのモデルに一様にアイテムナレッジサービスを提供する。
我々は,PKGMを項目分類,同一項目識別,レコメンデーションを含む3つの知識関連タスクでテストする。
論文 参考訳（メタデータ） (2021-05-02T04:28:22Z) - Exploiting Knowledge Graphs for Facilitating Product/Service Discovery [1.2691047660244332]
本研究は,データ分類に教師なしアプローチを採用することにより,データWeb上でのeコマースのための費用対効果のソリューションを提案する。
提案アーキテクチャでは,Web言語OWLで利用可能な製品について記述し,それをトリプルストアに格納する。
特定の製品のユーザ入力仕様は、利用可能な製品カテゴリと一致し、知識グラフを生成する。
論文 参考訳（メタデータ） (2020-10-11T10:22:10Z) - Products-10K: A Large-scale Product Recognition Dataset [18.506656670737407]
本稿では,「Products-10K」というラベル付き製品画像データセットを構築する。
データセットには、JD.comのオンライン顧客が頻繁に購入する1万のきめ細かいSKUレベルの製品が含まれている。
新しいデータベースに基づいて、きめ細かい製品認識のためのいくつかの有用なヒントやトリックも導入しました。
論文 参考訳（メタデータ） (2020-08-24T16:33:37Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳（メタデータ） (2020-06-15T21:31:05Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。