論文の概要: Hybrid Generative-Tagging Decoding for Efficient Product Attribute-Value Extraction

• arxiv url: http://arxiv.org/abs/2610.21329v1
• Date: Thu, 15 Oct 2026 06:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.214186
• Title: Hybrid Generative-Tagging Decoding for Efficient Product Attribute-Value Extraction
• Title（参考訳）: 効率的な製品属性値抽出のためのハイブリッド生成タグデコーディング
• Abstract要約: 生成モデルはトークンごとに属性名と値トークンを生成するが、この自己回帰的な性質は属性カバレッジを遅く制限する。 タグ付けソーススパンとオープン・エンド・ジェネレーションを組み合わせた新しいモデルアーキテクチャであるハイブリッド・ジェネレーション・タグ付け・デコーディングを導入する。 vLLM推論に統合され、ハイブリッドデコーダは属性カバレッジを10%引き上げ、精度の低い63%の正確な属性値ペアを抽出する。
• 参考スコア（独自算出の注目度）: 4.42697708663974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attribute-value extraction is important for building high-quality product catalogs in e-commerce. Existing systems either rely on generative or tagging strategies for extracting the attribute names and their corresponding values. Tagging models directly label spans in the source, making them fast and grounded, but they cannot produce values that require reformatting or generate rare attribute names outside their label space. Generative models avoid these drawbacks by generating both attribute names and values token by token, but this auto-regressive nature makes them slow and limits attribute coverage. We introduce hybrid generative-tagging decoding, a novel model architecture that combines tagging source spans and open-ended generation. For frequent attributes whose values are copyable, a tagging head extracts values directly from the source. This lets the generative head focus on the remainder - rare attributes outside the tagger's label space and non-copyable values, including implicit or normalized values. Integrated into vLLM inference, the hybrid decoder raises attribute coverage by 10% and extracts 63% more correct attribute-value pairs at no precision cost, while reducing latency by 44%.
• Abstract（参考訳）: 属性値抽出は,eコマースにおいて高品質な製品カタログを構築する上で重要である。 既存のシステムは、属性名とその対応する値を抽出するために生成的またはタグ付け戦略に依存している。 タグ付けモデルはソース内で直接ラベルを付け、高速で接地できるが、ラベル空間の外でレアな属性名を生成する必要のある値を生成することはできない。 生成モデルは、トークンごとに属性名と値トークンを生成することによって、これらの欠点を避けるが、この自動回帰的な性質は、属性カバレッジを遅く制限する。 タグ付けソーススパンとオープン・エンド・ジェネレーションを組み合わせた新しいモデルアーキテクチャであるハイブリッド・ジェネレーション・タグ付け・デコーディングを導入する。 値がコピー可能な頻繁な属性に対して、タグ付けヘッドはソースから直接値を抽出する。 これにより、生成ヘッドは、タグのラベル空間外の稀な属性と、暗黙的または正規化された値を含む非コピー可能な値にフォーカスすることができる。 vLLM推論に統合され、ハイブリッドデコーダは属性カバレッジを10%引き上げ、精度の低い63%の属性値ペアを抽出すると同時に、レイテンシを44%削減する。

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)
• 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)
• 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)
• Large Scale Generative Multimodal Attribute Extraction for E-commerce Attributes [23.105116746332506]
  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。
  論文  参考訳（メタデータ） (2023-06-01T06:21:45Z)
• Label2Label: A Language Modeling Framework for Multi-Attribute Learning [93.68058298766739]
  Label2Labelは、言語モデリングの観点からのマルチ属性予測の最初の試みである。 NLPにおける事前学習言語モデルの成功に触発されたLabel2Labelは、イメージ条件付きマスキング言語モデルを導入した。 我々の直感は、ニューラルネットワークがコンテキストと残りの属性ヒントに基づいて欠落した属性を推測できる場合、インスタンスの属性関係がよく把握されるということである。
  論文  参考訳（メタデータ） (2022-07-18T15:12:33Z)
• 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)
• 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)
• 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。