論文の概要: AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding

• arxiv url: http://arxiv.org/abs/2106.02318v1
• Date: Fri, 4 Jun 2021 07:54:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 15:07:47.300156
• Title: AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding
• Title（参考訳）: AdaTag: 適応デコーディングによる製品プロファイルからのマルチ属性値抽出
• Authors: Jun Yan, Nasser Zalmout, Yan Liang, Christan Grant, Xiang Ren, Xin Luna Dong
• Abstract要約: 本稿ではアダプティブデコーディングを用いて属性抽出を行うAdaTagを提案する。 実世界のeコマースデータセットに関する我々の実験は、以前の方法よりも顕著に改善されたことを示している。
• 参考スコア（独自算出の注目度）: 55.89773725577615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic extraction of product attribute values is an important enabling technology in e-Commerce platforms. This task is usually modeled using sequence labeling architectures, with several extensions to handle multi-attribute extraction. One line of previous work constructs attribute-specific models, through separate decoders or entirely separate models. However, this approach constrains knowledge sharing across different attributes. Other contributions use a single multi-attribute model, with different techniques to embed attribute information. But sharing the entire network parameters across all attributes can limit the model's capacity to capture attribute-specific characteristics. In this paper we present AdaTag, which uses adaptive decoding to handle extraction. We parameterize the decoder with pretrained attribute embeddings, through a hypernetwork and a Mixture-of-Experts (MoE) module. This allows for separate, but semantically correlated, decoders to be generated on the fly for different attributes. This approach facilitates knowledge sharing, while maintaining the specificity of each attribute. Our experiments on a real-world e-Commerce dataset show marked improvements over previous methods.
• Abstract（参考訳）: 製品属性値の自動抽出は、eコマースプラットフォームにおいて重要な実現技術である。 このタスクは通常、シーケンスラベリングアーキテクチャを使ってモデル化され、複数の拡張でマルチ属性抽出を処理する。 以前の作業の1行は、別々のデコーダや完全に独立したモデルを通じて属性固有のモデルを構築している。 しかし、このアプローチは異なる属性間の知識共有を制約する。 他のコントリビューションは、属性情報を埋め込む異なるテクニックを持つ単一のマルチ属性モデルを使用する。 しかし、すべての属性でネットワークパラメータ全体を共有することは、属性固有の特性をキャプチャするモデルの能力を制限することができる。 本稿では,アダプティブデコーディングを用いて抽出処理を行うAdaTagを提案する。 我々は、ハイパーネットワークとMixture-of-Experts (MoE)モジュールを通じて、事前訓練された属性埋め込みでデコーダをパラメータ化する。 これにより、異なる属性に対して、別々に、セマンティックに相関したデコーダをオンザフライで生成することができる。 このアプローチは、各属性の特異性を維持しながら、知識共有を促進する。 実世界のeコマースデータセットに関する実験では、これまでの方法よりも大幅に改善しています。

関連論文リスト

• MAC: A Benchmark for Multiple Attributes Compositional Zero-Shot Learning [33.12021227971062]
  合成ゼロショット学習(CZSL)は、意味的プリミティブ(属性とオブジェクト)を無視して学習し、見知らぬ属性オブジェクトの合成を認識することを目的としている。 我々は18,217のイメージと11,067のコンポジションを含む多属性合成データセットを紹介した。 我々のデータセットは、より深い意味理解と高次属性関連をサポートし、CZSLタスクのより現実的で挑戦的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:24:48Z)
• EAVE: Efficient Product Attribute Value Extraction via Lightweight Sparse-layer Interaction [94.22610101608332]
  本稿では,軽量なスパース層間相互作用による効率的な製品属性値抽出(EAVE)手法を提案する。 我々は、製品コンテキストと属性を別々にエンコードするために重いエンコーダを使用します。その結果、コンテキストの非相互作用的なヘビー表現は、すべての属性に対してキャッシュされ、再利用されます。 提案手法は, コンテキストが長く, 属性数が大きい場合, 性能が中立的あるいは限界的に低下した場合に, 顕著な効率向上を実現する。
  論文  参考訳（メタデータ） (2024-06-10T23:06:38Z)
• EIVEN: Efficient Implicit Attribute Value Extraction using Multimodal LLM [52.016009472409166]
  EIVENは暗黙的な属性値抽出のためのデータおよびパラメータ効率の良い生成フレームワークである。 本稿では,モデル混同を減らすための新しい学習・比較手法を提案する。 実験の結果,EIVENは暗黙的属性値の抽出において既存の手法よりも有意に優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-13T03:15:56Z)
• Large Scale Generative Multimodal Attribute Extraction for E-commerce Attributes [23.105116746332506]
  eコマースのウェブサイト(Amazonなど)には、製品ページには構造化され、構造化されていない情報(テキストと画像)が多数存在している。 販売業者は、商品の属性(色、サイズなど)のラベルやラベルを間違えたりしないことが多い。 3つのキーコンポーネントからなる textbfMXT を用いて,この問題に対するスケーラブルなソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-01T06:21:45Z)
• Label2Label: A Language Modeling Framework for Multi-Attribute Learning [93.68058298766739]
  Label2Labelは、言語モデリングの観点からのマルチ属性予測の最初の試みである。 NLPにおける事前学習言語モデルの成功に触発されたLabel2Labelは、イメージ条件付きマスキング言語モデルを導入した。 我々の直感は、ニューラルネットワークがコンテキストと残りの属性ヒントに基づいて欠落した属性を推測できる場合、インスタンスの属性関係がよく把握されるということである。
  論文  参考訳（メタデータ） (2022-07-18T15:12:33Z)
• OA-Mine: Open-World Attribute Mining for E-Commerce Products with Weak Supervision [93.26737878221073]
  オープンワールド環境における属性マイニングの問題点を考察し,新しい属性とその値の抽出を行う。 本稿では、まず属性値候補を生成し、次にそれらを属性のクラスタにグループ化する、原則化されたフレームワークを提案する。 我々のモデルは強いベースラインをはるかに上回り、目に見えない属性や製品タイプに一般化することができる。
  論文  参考訳（メタデータ） (2022-04-29T04:16:04Z)
• Multimodal Joint Attribute Prediction and Value Extraction for E-commerce Product [40.46223408546036]
  商品属性値は、カスタマサービスロボット、製品レコメンデーション、製品検索など、多くのEコマースシナリオにおいて不可欠である。 現実の世界では、製品の属性値は通常不完全であり、時間とともに変化するため、実用的な応用を著しく妨げている。 本稿では,製品属性を共同で予測し,製品イメージの助けを借りてテキスト製品記述から価値を抽出するマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2020-09-15T15:10:51Z)
• 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)

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。