論文の概要: Enhanced E-Commerce Attribute Extraction: Innovating with Decorative Relation Correction and LLAMA 2.0-Based Annotation

• arxiv url: http://arxiv.org/abs/2312.06684v1
• Date: Sat, 9 Dec 2023 08:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 18:57:43.298759
• Title: Enhanced E-Commerce Attribute Extraction: Innovating with Decorative Relation Correction and LLAMA 2.0-Based Annotation
• Title（参考訳）: 強化されたeコマース属性抽出:装飾関係補正とllama 2.0ベースのアノテーションによる革新
• Authors: Jianghong Zhou, Weizhi Du, Md Omar Faruk Rokon, Zhaodong Wang, Jiaxuan Xu, Isha Shah, Kuang-chih Lee, Musen Wen
• Abstract要約: 本稿では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRF)層,データアノテーションのための大規模言語モデル(LLM)を統合した先駆的フレームワークを提案する。 提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。 私たちの方法論は、Walmart、BestBuyのEコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されています。
• 参考スコア（独自算出の注目度）: 4.81846973621209
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rapid proliferation of e-commerce platforms accentuates the need for advanced search and retrieval systems to foster a superior user experience. Central to this endeavor is the precise extraction of product attributes from customer queries, enabling refined search, comparison, and other crucial e-commerce functionalities. Unlike traditional Named Entity Recognition (NER) tasks, e-commerce queries present a unique challenge owing to the intrinsic decorative relationship between product types and attributes. In this study, we propose a pioneering framework that integrates BERT for classification, a Conditional Random Fields (CRFs) layer for attribute value extraction, and Large Language Models (LLMs) for data annotation, significantly advancing attribute recognition from customer inquiries. Our approach capitalizes on the robust representation learning of BERT, synergized with the sequence decoding prowess of CRFs, to adeptly identify and extract attribute values. We introduce a novel decorative relation correction mechanism to further refine the extraction process based on the nuanced relationships between product types and attributes inherent in e-commerce data. Employing LLMs, we annotate additional data to expand the model's grasp and coverage of diverse attributes. Our methodology is rigorously validated on various datasets, including Walmart, BestBuy's e-commerce NER dataset, and the CoNLL dataset, demonstrating substantial improvements in attribute recognition performance. Particularly, the model showcased promising results during a two-month deployment in Walmart's Sponsor Product Search, underscoring its practical utility and effectiveness.
• Abstract（参考訳）: eコマースプラットフォームの急速な普及は、優れたユーザーエクスペリエンスを育むために高度な検索および検索システムの必要性を高める。 この取り組みの中心は、顧客の問い合わせから製品属性を正確に抽出し、洗練された検索、比較、その他の重要なeコマース機能を可能にすることである。 従来の名前付きエンティティ認識(NER)タスクとは異なり、製品タイプと属性の固有の装飾的関係のため、eコマースクエリにはユニークな課題がある。 本研究では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRFs)層,データアノテーションのための大規模言語モデル(LLMs)を統合した先駆的フレームワークを提案する。 提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。 本稿では,電子商取引データに内在する商品タイプと属性のニュアンス関係に基づいて,抽出プロセスをさらに洗練するための新しい装飾関係補正機構を提案する。 llmを使用して、モデルの把握とさまざまな属性のカバレッジを拡大するために追加データをアノテートします。 我々の手法は、Walmart、BestBuyのeコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されており、属性認識性能が大幅に改善されている。 特にこのモデルは、walmartのスポンサー製品検索における2ヶ月の展開で有望な結果を示し、実用性と有効性を強調した。

関連論文リスト

• PAE: LLM-based Product Attribute Extraction for E-Commerce Fashion Trends [0.6445605125467574]
  本稿では,PDF形式のテキストと画像からなる今後のトレンドレポートのための製品属性抽出アルゴリズムであるPAEを提案する。 a) 構造化されていないデータ(テキストと画像)から属性を抽出する効率的なフレームワークであるPAEを開発する; (b) 今後の属性値を用いて既存の属性を検出するためのBERT表現に基づくカタログマッチング方法論を提供する; (c) PAEが有効で柔軟性があり、同等以上の(92.5% F1-Score)フレームワークであることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:50:25Z)
• 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)
• Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
  本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。 実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
  論文  参考訳（メタデータ） (2024-02-01T18:52:26Z)
• Knowledge-Enhanced Multi-Label Few-Shot Product Attribute-Value Extraction [4.511923587827302]
  既存の属性値抽出モデルは、トレーニングのために大量のラベル付きデータを必要とする。 新しい属性値ペアを持つ新製品は、現実世界のeコマースで毎日市場に出回っている。 そこで我々は,ネットワークをベースとした知識強化学習フレームワーク(KEAF)を提案し,より差別的なプロトタイプを学習する。
  論文  参考訳（メタデータ） (2023-08-16T14:58:12Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query Attribute Value Extraction [57.56700153507383]
  本稿では,QUEACOというEコマース検索におけるクエリ属性値の統一抽出システムを提案する。 NER フェーズでは、QUEACO は教師-学生ネットワークを採用し、強くラベル付けされたデータに基づいてトレーニングされた教師ネットワークが擬似ラベルを生成する。 AVN フェーズでは、弱いラベル付けされたクエリ・ツー・アトリビュート・ビヘイビア・データを利用して、クエリーから表層属性値の正規化を行い、製品から標準形式へと変換する。
  論文  参考訳（メタデータ） (2021-08-19T03:24:23Z)
• 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)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。