論文の概要: TRACE: Agentic Catalog Enrichment with Multi-source Evidence Grounding

• arxiv url: http://arxiv.org/abs/2608.20844v1
• Date: Fri, 21 Aug 2026 08:08:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.470535
• Title: TRACE: Agentic Catalog Enrichment with Multi-source Evidence Grounding
• Title（参考訳）: TRACE:マルチソースエビデンスグラウンドディングによるエージェントカタログの充実
• Abstract要約: 本稿では,エージェント型大規模言語モデル(LLM)を用いたカタログ属性自動強化フレームワークTRACEを紹介する。 オフラインの人間の評価データセットでは、TRACEが提案した属性値は98.2%の精度で74.7%であった。 その後のオンライン実験では、製品の詳細ページの豊富な属性に直面すると、チェックアウト変換が0.48%増加した。
• 参考スコア（独自算出の注目度）: 0.8677773374912304
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Product catalogs underpin search, discovery, and recommendation in e-commerce, yet they are often attribute-sparse: the attributes shoppers and downstream systems rely on are either buried in unstructured content such as titles and images or missing from the catalog altogether. Manually enriching e-commerce catalogs is impractical given their scale and rapid growth. This paper introduces TRACE, a novel framework for automated catalog attribute enrichment using agentic Large Language Models (LLMs). A ScoutAgent triangulates multimodal evidence across merchant catalogs, syndicated feeds, and identity-matched web search to propose candidate attribute values with supporting evidence, while a JudgeAgent verifies the proposed value for each attribute value against its supporting evidence and decides whether to publish it or route it to human review. On an offline human evaluation dataset, TRACE's proposed attribute values were 98.2% accurate at 74.7% attribute coverage. Deployed in production on an industry-scale catalog, TRACE increased impression-weighted enrichment coverage across four business verticals by 90.4%. An online experiment subsequently showed that surfacing the enriched attributes on the product detail page increased checkout conversion by 0.48%.
• Abstract（参考訳）: 商品カタログは、eコマースにおける検索、発見、レコメンデーションの基盤となっているが、それらはしばしば属性スパースである:買い物客と下流のシステムは、タイトルや画像などの構造化されていないコンテンツに埋もれているか、カタログから完全に欠落している。 手作業によるeコマースカタログの充実は、その規模と急速な成長を考えると、現実的ではない。 本稿では,エージェント型大規模言語モデル(LLM)を用いたカタログ属性自動強化フレームワークであるTRACEを紹介する。 ScoutAgentは、マーチャントカタログ、シンジケートフィード、およびアイデンティティマッチングされたWebサーチでマルチモーダルエビデンスを三角測量し、サポーティングエビデンスで候補属性値を提案し、ジャッジAgentはそのサポーティングエビデンスに対して各属性値の提案値を検証し、それをパブリッシュするか、人間レビューにルーティングするかを決定する。 オフラインの人間の評価データセットでは、TRACEが提案した属性値は98.2%の精度で74.7%であった。 産業規模のカタログで生産され、TRACEは4つのビジネス分野にわたるインプレッション重み付きエンリッチメントのカバーを90.4%増やした。 その後のオンライン実験では、製品の詳細ページの豊富な属性に直面すると、チェックアウト変換が0.48%増加した。

関連論文リスト

• Scaling E-Commerce Attribute Extraction with Parallel Decoding [25.167068017765768]
  電子商取引カタログは乱雑で構造化されていないため、どの属性が最も重要かを特定するのは困難だ。 まず2段階のLCMパイプラインを導入し、各製品カテゴリの購入識別属性のコンパクトでランク付けされたスキーマを最初に発見する。 このパイプラインは85%の抽出精度を達成し、蒸留した基礎LLMと同等にし、推算コストを92%削減した。
  論文  参考訳（メタデータ） (2026-09-09T05:01:28Z)
• BEATS: Bootstrapping E-commerce Attribute Taxonomies for Search through Iterative Human-AI Collaboration [16.653517324875384]
  BEATSは、スクラッチから製品属性をブートストラップするための、ヒューマン・イン・ザ・ループ LLM フレームワークである。 本システムは楽天台湾で展開され,2,694のサブカテゴリと67,277の属性からなる9つの主要カテゴリに集約されている。 540万以上の製品が生成した属性でタグ付けされており、製品カタログ全体を充実させる計画だ。
  論文  参考訳（メタデータ） (2026-06-03T14:06:27Z)
• AutoPKG: An Automated Framework for Dynamic E-commerce Product-Attribute Knowledge Graph Construction [16.724284353315934]
  マルチモーダル製品コンテンツから製品属性知識グラフを自動的に構築するフレームワークであるAutoPKGを提案する。 AutoPKGは、オンデマンドで製品タイプとタイプ固有の属性キーを誘導し、テキストとイメージから属性値を抽出し、集中型決定エージェントを通じて更新を統合する。 提案手法は, エッジレベルの高精度F1を0.152改良し, 属性抽出の精度を0.208とした。
  論文  参考訳（メタデータ） (2026-04-18T10:19:10Z)
• 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)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• 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)
• ExtractGPT: Exploring the Potential of Large Language Models for Product Attribute Value Extraction [51.87391234815163]
  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)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• 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)
• 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。