論文の概要: An Empirical Comparison of Generative Approaches for Product Attribute-Value Identification

• arxiv url: http://arxiv.org/abs/2407.01137v1
• Date: Mon, 1 Jul 2024 10:02:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 22:09:47.000776
• Title: An Empirical Comparison of Generative Approaches for Product Attribute-Value Identification
• Title（参考訳）: 商品属性値同定のための生成的アプローチの実証比較
• Authors: Kassem Sabeh, Robert Litschko, Mouna Kacimi, Barbara Plank, Johann Gamper,
• Abstract要約: 本稿では,製品属性と価値同定(PAVI)について,これまでで最も包括的な評価を行っている。 3つのデータセット上での微調整エンコーダデコーダモデルに基づく3つの属性値生成戦略を比較した。 実験により、計算効率のよいエンドツーエンドのAVGアプローチは、他の戦略よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 25.890927969633196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product attributes are crucial for e-commerce platforms, supporting applications like search, recommendation, and question answering. The task of Product Attribute and Value Identification (PAVI) involves identifying both attributes and their values from product information. In this paper, we formulate PAVI as a generation task and provide, to the best of our knowledge, the most comprehensive evaluation of PAVI so far. We compare three different attribute-value generation (AVG) strategies based on fine-tuning encoder-decoder models on three datasets. Experiments show that end-to-end AVG approach, which is computationally efficient, outperforms other strategies. However, there are differences depending on model sizes and the underlying language model. The code to reproduce all experiments is available at: https://github.com/kassemsabeh/pavi-avg
• Abstract（参考訳）: 製品属性はeコマースプラットフォームにとって不可欠であり、検索、レコメンデーション、質問応答などのアプリケーションをサポートする。 製品属性と価値識別(PAVI)のタスクは、属性とそれらの値の両方を製品情報から識別することである。 本稿では,PAVIを生成タスクとして定式化し,我々の知る限り,これまでで最も包括的なPAVI評価を行っている。 3つのデータセット上の細調整エンコーダデコーダモデルに基づく3つの異なる属性値生成(AVG)戦略を比較する。 実験により、計算効率のよいエンドツーエンドのAVGアプローチが、他の戦略より優れていることが示された。 しかし、モデルのサイズと基礎となる言語モデルによって違いがある。 すべての実験を再現するコードは、https://github.com/kassemsabeh/pavi-avgで入手できる。

関連論文リスト

• 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)
• 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)
• ExtractGPT: Exploring the Potential of Large Language Models for Product Attribute Value Extraction [52.14681890859275]
  電子商取引プラットフォームは、属性と値のペアという形で構造化された製品データを必要とする。 BERTベースの抽出法では,タスク固有の大量のトレーニングデータを必要とする。 本稿では,大規模言語モデル (LLM) を,より訓練的かつ堅牢な代替手段として活用することを検討する。
  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)
• A Unified Generative Approach to Product Attribute-Value Identification [6.752749933406399]
  本稿では,製品属性値識別(PAVI)タスクに対する生成的アプローチについて検討する。 我々は、予め訓練された生成モデルT5を微調整し、与えられた製品テキストから属性値対のセットをターゲットシーケンスとしてデコードする。 提案手法が既存の抽出法や分類法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-06-09T00:33:30Z)
• Visually Similar Products Retrieval for Shopsy [0.0]
  マルチタスク学習手法を用いて,リセラーコマースのためのビジュアル検索システムを設計する。 我々のモデルは属性分類、三重項ランク付け、変分オートエンコーダ(VAE)の3つの異なるタスクからなる。
  論文  参考訳（メタデータ） (2022-10-10T10:59:18Z)
• Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment [100.19568734815732]
  エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。 属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。 本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-10-07T08:03:58Z)
• 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。