論文の概要: Enhancing Product Safety in E-Commerce with NLP
- arxiv url: http://arxiv.org/abs/2210.14363v1
- Date: Tue, 25 Oct 2022 22:10:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 14:14:25.896435
- Title: Enhancing Product Safety in E-Commerce with NLP
- Title(参考訳): NLPによるEコマースにおける製品の安全性向上
- Authors: Kishaloy Halder, Josip Krapac, Dmitry Goryunov, Anthony Brew, Matti
Lyra, Alsida Dizdari, William Gillett, Adrien Renahy, Sinan Tang
- Abstract要約: 本稿では,大規模多国籍eコマースプラットフォームであるZalandoが自然言語処理技術をどのように利用するかを示す。
Zalandoの顧客に関する安全問題の種類を体系的に説明します。
我々は、この中核となるビジネス問題を、高度に不均衡でノイズの多い多言語データを持つ教師付きテキスト分類問題にどのようにマッピングするかを実証する。
- 参考スコア(独自算出の注目度): 2.895747769560711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring safety of the products offered to the customers is of paramount
importance to any e- commerce platform. Despite stringent quality and safety
checking of products listed on these platforms, occasionally customers might
receive a product that can pose a safety issue arising out of its use. In this
paper, we present an innovative mechanism of how a large scale multinational
e-commerce platform, Zalando, uses Natural Language Processing techniques to
assist timely investigation of the potentially unsafe products mined directly
from customer written claims in unstructured plain text. We systematically
describe the types of safety issues that concern Zalando customers. We
demonstrate how we map this core business problem into a supervised text
classification problem with highly imbalanced, noisy, multilingual data in a
AI-in-the-loop setup with a focus on Key Performance Indicator (KPI) driven
evaluation. Finally, we present detailed ablation studies to show a
comprehensive comparison between different classification techniques. We
conclude the work with how this NLP model was deployed.
- Abstract(参考訳): 顧客に提供される製品の安全性を確保することは、Eコマースプラットフォームにとって最重要事項である。
これらのプラットフォームにリストされている製品の厳密な品質と安全性のチェックにもかかわらず、顧客は、その使用から生じる安全性問題を引き起こす可能性のある製品を受け取ることがある。
本稿では,大規模多国籍電子商取引プラットフォームであるzalandoが,自然言語処理技術を用いて,非構造化平文テキストによる顧客の請求書から直接,潜在的に安全でない製品をタイムリーに調査する,という革新的なメカニズムを提案する。
Zalandoの顧客に関する安全問題の種類を体系的に説明します。
本稿では,キーパフォーマンスインジケータ(kpi)駆動評価に着目したai-in-the-loopセットアップにおける,高度に不均衡でノイズの多い多言語データを含む教師付きテキスト分類問題に,このコアビジネス問題をマッピングする方法を示す。
最後に,異なる分類手法の包括的比較を示すための詳細なアブレーション研究について述べる。
我々はこのNLPモデルがどのようにデプロイされたかで作業を終える。
関連論文リスト
- The Art of Defending: A Systematic Evaluation and Analysis of LLM
Defense Strategies on Safety and Over-Defensiveness [56.174255970895466]
大規模言語モデル(LLM)は、自然言語処理アプリケーションにおいて、ますます重要な役割を担っている。
本稿では,SODE(Safety and Over-Defensiveness Evaluation)ベンチマークを提案する。
論文 参考訳(メタデータ) (2023-12-30T17:37:06Z) - SEOpinion: Summarization and Exploration Opinion of E-Commerce Websites [0.0]
本稿では,SEOpinion(Summa-rization and Exploration of Opinion)と呼ばれる方法論を提案する。
テンプレートの情報と顧客のレビューの組合せを2つの主要なフェーズで組み合わせることで、製品面の要約を提供し、それらに対する意見を示す。
本稿では,Deep LearningベースのBERT技術の適用可能性をテストするため,ノートパソコン用EC Webサイトのトップ5から情報を収集してコーパスを作成する。
論文 参考訳(メタデータ) (2023-12-12T15:45:58Z) - Leveraging Large Language Models for Enhanced Product Descriptions in
eCommerce [6.318353155416729]
本稿では,LAMA 2.0 7B言語モデルを用いた製品記述生成の自動化手法を提案する。
私たちはこのモデルを、最大のeコマースプラットフォームの1つであるWalmartの真正な製品記述のデータセットでトレーニングします。
以上の結果から,システムはスケーラブルであるだけでなく,製品記述作成に関わる人的負担を大幅に削減することが明らかとなった。
論文 参考訳(メタデータ) (2023-10-24T00:55:14Z) - Ring-A-Bell! How Reliable are Concept Removal Methods for Diffusion
Models? [54.20337292389793]
Ring-A-Bellは、T2I拡散モデルのためのモデルに依存しないレッドチームツールである。
これは、不適切なコンテンツの生成に対応する拡散モデルに対する問題的プロンプトを特定する。
この結果から,安全プロンプトベンチマークの操作により,既存の安全メカニズムを回避できると考えられるプロンプトを変換できることが示唆された。
論文 参考訳(メタデータ) (2023-10-16T02:11:20Z) - DEFTri: A Few-Shot Label Fused Contextual Representation Learning For
Product Defect Triage in e-Commerce [0.0]
本研究は, ラベルを融合したテキスト埋め込み上で, 微細調整した最先端のBERTを用いて, 自動欠陥トリアージ(DEFTri)を実現するための新しいフレームワークを提案する。
マルチラベルテキスト分類欠陥トリアージタスクには、弱い監督と敵対的学習を用いた製品欠陥のWalmart独自のデータセットも導入しています。
論文 参考訳(メタデータ) (2023-07-21T04:22:43Z) - Online Safety Property Collection and Refinement for Safe Deep
Reinforcement Learning in Mapless Navigation [79.89605349842569]
オンラインプロパティのコレクション・リファインメント(CROP)フレームワークをトレーニング時にプロパティを設計するために導入する。
CROPは、安全でない相互作用を識別し、安全特性を形成するためにコストシグナルを使用する。
本手法をいくつかのロボットマップレスナビゲーションタスクで評価し,CROPで計算した違反量によって,従来のSafe DRL手法よりも高いリターンと低いリターンが得られることを示す。
論文 参考訳(メタデータ) (2023-02-13T21:19:36Z) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳(メタデータ) (2022-12-19T17:51:47Z) - Evaluating Model-free Reinforcement Learning toward Safety-critical
Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。
安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。
この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文 参考訳(メタデータ) (2022-12-12T06:30:17Z) - Product safety idioms: a method for building causal Bayesian networks
for product safety and risk assessment [0.0]
導入した特定の製品安全性イディオムは、幅広い製品の安全性とリスクを評価するために完全なBNモデルを構築するのに十分であることを示す。
結果のモデルは、限られた(あるいはない)製品テストデータがある場合でも、安全規制当局や製品メーカーによって使用することができる。
論文 参考訳(メタデータ) (2022-06-05T10:16:03Z) - The missing link: Developing a safety case for perception components in
automated driving [10.43163823170716]
知覚は自動運転システム(AD)の重要な側面であり、機械学習(ML)に大きく依存している。
MLベースのコンポーネントの安全性を保証するという既知の課題にもかかわらず、最近、これらのコンポーネントに対処するユニットレベルの安全ケースの提案が登場した。
本稿では、知覚成分に特化して調整されたリンク引数に対する汎用テンプレートを提案する。
論文 参考訳(メタデータ) (2021-08-30T15:12:27Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z)
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。