論文の概要: Large Scale Generative Multimodal Attribute Extraction for E-commerce Attributes

• arxiv url: http://arxiv.org/abs/2306.00379v1
• Date: Thu, 1 Jun 2023 06:21:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 18:02:21.706001
• Title: Large Scale Generative Multimodal Attribute Extraction for E-commerce Attributes
• Title（参考訳）: Eコマース属性の大規模生成型マルチモーダル属性抽出
• Authors: Anant Khandelwal, Happy Mittal, Shreyas Sunil Kulkarni, Deepak Gupta
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.105116746332506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce websites (e.g. Amazon) have a plethora of structured and unstructured information (text and images) present on the product pages. Sellers often either don't label or mislabel values of the attributes (e.g. color, size etc.) for their products. Automatically identifying these attribute values from an eCommerce product page that contains both text and images is a challenging task, especially when the attribute value is not explicitly mentioned in the catalog. In this paper, we present a scalable solution for this problem where we pose attribute extraction problem as a question-answering task, which we solve using \textbf{MXT}, consisting of three key components: (i) \textbf{M}AG (Multimodal Adaptation Gate), (ii) \textbf{X}ception network, and (iii) \textbf{T}5 encoder-decoder. Our system consists of a generative model that \emph{generates} attribute-values for a given product by using both textual and visual characteristics (e.g. images) of the product. We show that our system is capable of handling zero-shot attribute prediction (when attribute value is not seen in training data) and value-absent prediction (when attribute value is not mentioned in the text) which are missing in traditional classification-based and NER-based models respectively. We have trained our models using distant supervision, removing dependency on human labeling, thus making them practical for real-world applications. With this framework, we are able to train a single model for 1000s of (product-type, attribute) pairs, thus reducing the overhead of training and maintaining separate models. Extensive experiments on two real world datasets show that our framework improves the absolute recall@90P by 10.16\% and 6.9\% from the existing state of the art models. In a popular e-commerce store, we have deployed our models for 1000s of (product-type, attribute) pairs.
• Abstract（参考訳）: eコマースウェブサイト(例えばamazon)は、製品ページにある構造化され、構造化されていない情報(テキストと画像)を多数持っている。 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。 テキストと画像の両方を含むeコマース製品ページから属性値を自動的に識別することは、特にカタログで属性値が明示的に言及されていない場合、難しい作業である。 本稿では, 属性抽出問題を質問応答タスクとして用いて, 3つの重要な要素からなる‘textbf{MXT}’を用いて解決する, この問題に対するスケーラブルな解を提案する。 (i) \textbf{m}ag(マルチモーダル適応ゲート) (ii) \textbf{x}ception network、及び (iii) \textbf{t}5エンコーダ-デコーダ。 本システムは,商品のテキスト的特徴と視覚的特徴(例えば,画像)を用いて,ある商品の属性値にemph{generates}を付与する生成モデルから構成される。 本システムは,従来の分類モデルとNERモデルでは欠落しているゼロショット属性予測(トレーニングデータでは属性値が見えない場合)と付加価値予測(テキストでは属性値が言及されていない場合)を扱うことができることを示す。 我々は、遠隔監視を用いてモデルをトレーニングし、人間のラベリングへの依存を排除し、現実世界のアプリケーションに実用的なものにした。 このフレームワークを使用することで、1000の(製品タイプ、属性)ペアに対して単一のモデルをトレーニングすることが可能になります。 2つの実世界のデータセットに対する大規模な実験は、我々のフレームワークが既存のアートモデルの状態から10.16\%と6.9\%の絶対リコール@90Pを改善することを示している。 人気のeコマースストアでは、1000の(製品タイプ、属性)ペアのモデルをデプロイしています。

関連論文リスト

• JPAVE: A Generation and Classification-based Model for Joint Product Attribute Prediction and Value Extraction [59.94977231327573]
  JPAVEと呼ばれる値生成/分類と属性予測を備えたマルチタスク学習モデルを提案する。 我々のモデルの2つの変種は、オープンワールドとクローズドワールドのシナリオのために設計されている。 公開データセットにおける実験結果は,強いベースラインと比較して,我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-07T18:36:16Z)
• Product Attribute Value Extraction using Large Language Models [56.96665345570965]
  事前学習言語モデル(PLM)に基づく最先端属性/値抽出手法は2つの欠点に直面している。 我々は,大規模言語モデル(LLM)を,既存の属性/値抽出法に代わる,より訓練的なデータ効率,より堅牢な代替手段として活用する可能性を探る。
  論文  参考訳（メタデータ） (2023-10-19T07:39:00Z)
• Product Information Extraction using ChatGPT [69.12244027050454]
  本稿では,製品記述から属性/値対を抽出するChatGPTの可能性について検討する。 以上の結果から,ChatGPTは事前学習した言語モデルに類似した性能を達成できるが,微調整を行うにはトレーニングデータや計算処理がはるかに少ないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-23T09:30:01Z)
• 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)
• PAM: Understanding Product Images in Cross Product Category Attribute Extraction [40.332066960433245]
  この研究は、属性抽出に様々なモダリティを完全に活用するより包括的なフレームワークを提案する。 視覚的質問応答における最近の研究に触発されて,製品テキスト,光学的文字認識(OCR)トークン,および製品画像から検出された視覚オブジェクトの表現を融合するために,トランスフォーマーに基づくシーケンスモデルを用いている。 フレームワークはさらに拡張されており、複数の製品カテゴリにまたがる属性値を単一のモデルで抽出することができる。
  論文  参考訳（メタデータ） (2021-06-08T18:30:17Z)
• AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding [55.89773725577615]
  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。
  論文  参考訳（メタデータ） (2021-06-04T07:54:11Z)
• 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。