論文の概要: EIVEN: Efficient Implicit Attribute Value Extraction using Multimodal LLM

• arxiv url: http://arxiv.org/abs/2404.08886v1
• Date: Sat, 13 Apr 2024 03:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 18:13:13.356684
• Title: EIVEN: Efficient Implicit Attribute Value Extraction using Multimodal LLM
• Title（参考訳）: EIVEN:マルチモーダルLLMを用いた効率的な帰属値抽出
• Authors: Henry Peng Zou, Gavin Heqing Yu, Ziwei Fan, Dan Bu, Han Liu, Peng Dai, Dongmei Jia, Cornelia Caragea,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.016009472409166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In e-commerce, accurately extracting product attribute values from multimodal data is crucial for improving user experience and operational efficiency of retailers. However, previous approaches to multimodal attribute value extraction often struggle with implicit attribute values embedded in images or text, rely heavily on extensive labeled data, and can easily confuse similar attribute values. To address these issues, we introduce EIVEN, a data- and parameter-efficient generative framework that pioneers the use of multimodal LLM for implicit attribute value extraction. EIVEN leverages the rich inherent knowledge of a pre-trained LLM and vision encoder to reduce reliance on labeled data. We also introduce a novel Learning-by-Comparison technique to reduce model confusion by enforcing attribute value comparison and difference identification. Additionally, we construct initial open-source datasets for multimodal implicit attribute value extraction. Our extensive experiments reveal that EIVEN significantly outperforms existing methods in extracting implicit attribute values while requiring less labeled data.
• Abstract（参考訳）: 電子商取引においては、マルチモーダルデータから商品属性値を正確に抽出することが、小売店のユーザエクスペリエンスと運用効率を向上させる上で重要である。 しかし、従来のマルチモーダル属性値抽出手法は、画像やテキストに埋め込まれた暗黙的な属性値に苦しむことが多く、ラベル付きデータに大きく依存しており、類似した属性値を簡単に混乱させることができる。 これらの問題に対処するために、暗黙的な属性値抽出にマルチモーダル LLM を用いたデータおよびパラメータ効率のよい生成フレームワークである EIVEN を導入する。 EIVENは、ラベル付きデータへの依存を減らすために、事前訓練されたLLMとビジョンエンコーダの豊富な知識を活用する。 また,属性値比較と差分識別を強制することにより,モデルの混乱を低減する新しい学習・比較手法を提案する。 さらに,マルチモーダルな暗黙属性値抽出のための初期のオープンソースデータセットを構築した。 EIVENはラベル付きデータの少ないデータで暗黙的な属性値の抽出において,既存の手法よりも優れていた。

関連論文リスト

• 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)
• ImplicitAVE: An Open-Source Dataset and Multimodal LLMs Benchmark for Implicit Attribute Value Extraction [67.86012624533461]
  ImplicitAVEは、暗黙の属性値抽出のための最初の、公開のマルチモーダルデータセットである。 データセットには5つのドメインにわたる68kのトレーニングと1.6kのテストデータが含まれている。 また,マルチモーダル大言語モデル(MLLM)の暗黙的AVEへの適用についても検討する。
  論文  参考訳（メタデータ） (2024-04-24T01:54:40Z)
• Enhanced E-Commerce Attribute Extraction: Innovating with Decorative Relation Correction and LLAMA 2.0-Based Annotation [4.81846973621209]
  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。
  論文  参考訳（メタデータ） (2023-12-09T08:26:30Z)
• AE-smnsMLC: Multi-Label Classification with Semantic Matching and Negative Label Sampling for Product Attribute Value Extraction [42.79022954630978]
  商品属性値抽出は、製品検索やレコメンデーションなどのeコマースにおける多くの現実世界アプリケーションにおいて重要な役割を果たす。 以前の方法では、製品テキスト内の値の位置にもっとアノテーションを必要とするシーケンスラベリングタスクとして扱われていた。 属性値抽出のためのセマンティックマッチングと負ラベルサンプリングを用いた分類モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-11T02:22:28Z)
• 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)
• MAVE: A Product Dataset for Multi-source Attribute Value Extraction [10.429320377835241]
  製品属性値の抽出をより容易にするための新しいデータセットであるMAVEを紹介する。 MAVEはAmazonページから220万の商品のキュレートされたセットで構成され、1257のユニークなカテゴリに300万の属性値アノテーションがある。 マルチソース製品情報から属性値を効果的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T06:48:31Z)
• 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。