Bilingual Terminology Extraction from Comparable E-Commerce Corpora
Soochow University（苏州大学）；Alibaba DAMO Academy（阿里巴巴达摩院）
双语术语是电子商业领域中重要的机器翻译资源，通常采用人工翻译或从并行数据中自动提取的方式。人工翻译成本高，而电子商业平行语料库又非常缺乏。但是，同一商品领域的不同语言的可比数据是丰富的。在本文中，我们提出了一个新的框架提取电子商务双语术语可比数据。得益于电子商业中的跨语言预训练，该框架能够充分利用源端术语和目标端句子之间的深层语义关系，提取出相应的目标术语。对不同语言对的实验结果表明，我们的方法比各种强基线实现了更好的性能。
2022-07-29 cs.CL
AE-smnsMLC: Multi-Label Classification with Semantic Matching and Negative Label Sampling for Product Attribute Value Extraction
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group Inc.（乐天集团株式会社）
针对电子商务中仅弱标注属性值而无位置信息的场景，本文提出一种结合语义匹配与负标签采样的多标签分类模型，在真实数据集上验证了其有效性与优越性。
2023-10-11 cs.CL cs.IR cs.LG
Scaling E-Commerce Attribute Extraction with Parallel Decoding
Amazon.com, Inc.（亚马逊公司）
提出两阶段大语言模型流水线，先发现购买区分属性模式，再用带超并行解码的Qwen3-4B提取属性值，实现85%准确率且推理成本降低92%，构建产品知识库。
2026-09-15 cs.CL
OA-Mine: Open-World Attribute Mining for E-Commerce Products with Weak Supervision
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon.com, Inc.（亚马逊公司）；Meta (Facebook)（Meta（原Facebook））；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Carnegie Mellon University（卡内基梅隆大学）
从文本描述中自动提取产品属性对于在线购物者的体验至关重要。这项任务的一个固有挑战是电子商业产品的新兴性质--我们不断看到具有独特的一套新属性的新类型的产品。大多数以前的作品在这件事上挖掘一组已知属性的新值，但不能处理不断变化的数据所产生的新属性。在这项工作中，我们研究了属性挖掘问题，在一个开放的世界设置提取新的属性和它们的值。用户只需要提供几个已知属性类型的几个示例作为弱监督，而不是提供全面的训练数据。我们提出了一个原则性的框架，首先生成属性值的候选人，然后将它们分组到集群的属性。候选生成步骤探测预训练的语言模型以从产品标题中提取短语。然后，属性感知微调方法优化多任务目标和形状的语言模型表示属性歧视。最后，我们通过我们框架的自我集成发现新的属性和价值，这将应对开放世界的挑战。我们在一个大型的远程注释开发集和我们收集的黄金标准人类注释测试集上进行了广泛的实验。我们的模型显著优于强基线，并且可以推广到看不见的属性和产品类型。
2022-04-29 cs.CL
SEOpinion: Summarization and Exploration Opinion of E-Commerce Websites
Beni-Suef University（贝尼苏韦夫大学）；Universidade de Vigo（维戈大学）
提出SEOpinion方法，结合制造商模板与顾客评论，分两阶段生成产品方面摘要与意见，实验证明RNN优于CNN和SVM。
2023-12-12 cs.AI cs.CL
Attribute-Aware Controlled Product Generation with LLMs for E-commerce
Amazon Spain（亚马逊西班牙分公司）；Amazon Germany（亚马逊德国分公司）
本文提出基于LLM的属性意识电商产品生成方法，通过三种策略生成高质量合成数据，提升电商数据集的准确率与实用性。
2025-12-05 cs.AI cs.CL
Towards Open-World Product Attribute Mining: A Lightly-Supervised Approach
Pattern Recognition Center, WeChat AI（微信人工智能模式识别中心）；Emory University（埃默里大学）；University of California, San Diego（加州大学圣地亚哥分校）
本文提出轻监督属性挖掘方法 Amacer，利用种子属性集和自监督、无监督信号，在电商产品中扩展现有属性类型并自动发现新属性类型，F1 提升 12 分，属性扩展达 12 倍。
2023-05-26 cs.CL cs.IR cs.LG
AFMRL: Attribute-Enhanced Fine-Grained Multi-Modal Representation Learning in E-commerce
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）
本文提出AFMRL，通过属性生成任务提升电商细粒度多模态表示学习，结合属性引导对比学习和检索感知属性强化，实现更精准的相似商品检索。
2026-04-22 cs.CL cs.IR
Draft, Command, and Edit: Controllable Text Editing in E-Commerce
University of Macau（澳门大学）；Sichuan University（四川大学）
产品描述生成是一项具有挑战性且尚未开发的任务。大多数这样的工作都需要一组产品属性作为输入，然后在一次操作中从头开始生成描述。然而，这种广泛的范式可能会受到限制，当面对用户的动态愿望约束的描述，如删除或添加的内容的用户指定的属性的基础上以前的版本。为了解决这个问题，我们探索了一种新的草稿-命令-编辑的描述生成方式，从而提出了新的任务可控的文本编辑在电子商业。更具体地说，我们允许系统接收来自用户的命令（删除或添加），然后通过基于先前版本灵活修改内容来生成描述。通过修改以前的版本来满足新的需求比从头开始更容易和更实用。此外，我们设计了一个数据增强方法来弥补这个任务中的低资源挑战，它包含一个基于模型和基于规则的策略来模仿人类的编辑。为了完成这个新任务，我们提出了一个名为E-cEdits的人类编写的draft-command-edit数据集和一个新的度量“Attribute Edit”。我们的实验结果表明，使用新的数据增强方法优于基线在更大程度上在自动和人工评估。
2022-08-11 cs.CL
Cross-Lingual Low-Resource Set-to-Description Retrieval for Global E-Commerce
Peking University（北京大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Indiana University（印第安纳大学）
随着跨境电子商业的蓬勃发展，迫切需要设计智能化的方法来帮助电子商业卖家为来自世界各地的消费者提供当地产品。本文探讨了跨语言信息检索的一个新任务，即，跨境电子商业中的跨语言集合到描述检索，其涉及将源语言中的产品属性集合与目标语言中的有说服力的产品描述进行匹配。我们手动收集一个新的和高质量的配对数据集，其中每对包含一个无序的产品属性集的源语言和信息丰富的产品描述的目标语言。由于数据集构建过程既耗时又昂贵，新数据集仅包含13.5k对，这是一个低资源设置，可以被视为跨境电子商业模型开发和评估的具有挑战性的测试平台。为了解决这种跨语言集到描述检索任务，我们提出了一种新的跨语言匹配网络（CLMN）与增强的上下文相关的跨语言映射的预训练单语BERT表示。实验结果表明，我们提出的CLMN在具有挑战性的任务上产生了令人印象深刻的结果，并且与预训练的多语言BERT模型相比，BERT上的上下文相关的跨语言映射产生了显着的改进。
2020-05-17 cs.CL
AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding
University of Southern California（南加州大学）；University of Oklahoma（俄克拉荷马大学）
产品属性值的自动提取是电子商务平台中一项重要的使能技术。这个任务通常使用序列标记架构建模，并有几个扩展来处理多属性提取。之前的一系列工作通过单独的解码器或完全单独的模型构建了特定于属性的模型。然而，这种方法限制了不同属性之间的知识共享。其他贡献使用一个单一的多属性模型，用不同的技术来嵌入属性信息。但是，在所有属性之间共享整个网络参数会限制模型捕获特定于属性的特征的能力。在本文中，我们提出了AdaTag，它使用自适应解码来处理提取。我们通过一个超网络和一个混合专家（MoE）模块，用预训练的属性嵌入来参数化解码器。这允许为不同的属性动态生成单独的但语义相关的解码器。这种方法有利于知识共享，同时保持每个属性的特殊性。我们在真实世界的电子商务数据集上的实验表明，与以前的方法相比，我们的方法有明显的改进。
2021-06-04 cs.CL
Intelligent Online Selling Point Extraction for E-Commerce Recommendation
JD.COM Silicon Valley Research Center（京东硅谷研发中心）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
在过去的十年中，自动生成产品描述的电子商业已经见证了显着的进步。随着电子商业平台提供的服务变得多样化，有必要动态地适应所生成的描述模式。产品卖点是一种重要的产品描述类型，其长度应尽可能短，但仍能传达关键信息。此外，这种产品说明应该吸引读者的眼球。目前，产品卖点通常由人类专家撰写。因此，这些内容的创建和维护产生高成本。如果产品卖点可以由机器自动生成，这些成本可以大大降低。在本文中，我们报告了我们的经验，开发和部署智能在线销售点提取（IOSPE）系统，以服务于推荐系统在JD.com电子商业平台。自2020年7月以来，IOSPE已成为62个关键类别产品的核心服务（覆盖超过400万种产品）。到目前为止，它已经产生了超过1亿个卖点，从而显着扩大了卖点创建操作并节省了人力。与之前的做法相比，这些IOSPE产生的卖点使点击率（CTR）增加了1. 89\%，客户在产品上花费的平均持续时间增加了2. 03\%以上，这对于如此大规模的电子商业平台来说是显著的改进。
2021-12-16 cs.AI cs.CL cs.IR
BanglaASTE: A Novel Framework for Aspect-Sentiment-Opinion Extraction in Bangla E-commerce Reviews Using Ensemble Deep Learning
Department of Computer Science；Engineering Chittagong University of Engineering；Department of Information Technology Washington University of Science \& Technology 2900 Eisenhower Ave, Alexandria, VA 22314, United States；Department of Information Systems Central Michigan University 1200 S. Franklin St. Mount Pleasant, Mich. 48859
本文提出BanglaASTE框架，通过集成深度学习方法，在孟加拉语电商评论中实现高效的方面-情感-意见三元组提取，提升低资源语言的情感分析能力。
2025-11-26 cs.CL cs.LG
Aspect Extraction from E-Commerce Product and Service Reviews
De La Salle University（德拉萨大学）
本文提出了一种针对Taglish的综合方面提取流程，结合规则、LLM和微调技术，通过生成式LLM在隐式方面处理上取得高性能，展示了在混合语言环境中的ABSA增强能力。
2026-01-05 cs.CL cs.LG
Product-Aware Answer Generation in E-Commerce Question-Answering
ICST, Peking University（北京大学信息科学技术学院）
在电子商业门户网站中，为产品相关问题生成答案已成为一项至关重要的任务。在本文中，我们提出了产品感知的答案生成任务，它倾向于从大规模的未标记的电子商业评论和产品属性中生成准确和完整的答案。与现有的问答问题不同，电子商业中的答案生成面临三个主要挑战：（1）评论是非正式的和有噪声的;（2）评论和关键值产品属性的联合建模具有挑战性;（3）传统方法容易生成无意义的答案。为了解决上述挑战，我们提出了一个基于对抗学习的模型，称为PAAG，它由三个组件组成：一个问题感知的评论表示模块，一个编码属性的键值记忆网络，以及一个作为序列生成器的递归神经网络。具体来说，我们使用卷积神经网络来区分我们生成的答案是否与事实相匹配。为了提取评论的显著性部分，提出了一种基于注意力的评论阅读器来捕获给定问题的最相关的词。在一个大规模的真实电子商业数据集上进行了大量的实验，验证了模型中每个模块的有效性。此外，我们的实验表明，我们的模型在自动度量和人工评估方面都达到了最先进的性能。
2019-01-24 cs.AI cs.CL
BEATS: Bootstrapping E-commerce Attribute Taxonomies for Search through Iterative Human-AI Collaboration
National Taiwan University（国立台湾大学）；Rakuten Group, Inc.（拉肯集团）；Taiwan Rakuten Ichiba, Inc.（台湾拉肯Ichiba公司）；Rakuten Asia Pte. Ltd.（拉肯亚洲有限公司）
针对新兴市场电商平台缺乏结构化属性模式的问题，提出BEATS框架，利用人机协作的LLM流水线从零构建产品属性分类，并通过属性标注提升搜索系统性能。
2026-06-03 cs.CL cs.IR
Learning variant product relationship and variation attributes from e-commerce website structures
本研究提出VARM策略，结合编码LLM与RAG增强的生成式LLM，识别电商变体产品对并提取差异及共同属性，在头部电商真实数据上表现优于现有方案，为新型产品关系应用铺路。
2024-09-17 cs.AI cs.CL cs.IR
Boosting Multi-Modal E-commerce Attribute Value Extraction via Unified Learning Scheme and Dynamic Range Minimization
University of Science and Technology Beijing（北京科技大学）；Tencent（腾讯）
本文提出一种通过统一学习方案和动态范围最小化提升多模态电商属性值提取的新方法，解决单模态预训练参数利用不足、图像描述选择不当及属性预测范围过大问题，在电商基准上取得优于现有技术的性能。
2023-04-06 cs.CL cs.CV cs.MM
Bootstrapping Named Entity Recognition in E-Commerce with Positive Unlabeled Learning
Lenovo Research（联想研究院）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
命名实体识别（NER）领域，如电子商业是一个研究不足的问题，由于缺乏注释的数据集。识别新的实体类型在这个领域，如产品，组件和属性，是具有挑战性的，因为它们的语言复杂性和现有的知识资源的覆盖率低。为了解决这个问题，我们提出了一个自举的积极的无标签学习算法，集成了特定领域的语言功能，快速，有效地扩大种子字典。该模型在一个新的产品描述数据集上的平均F1得分为72.02%，比基线BiLSTM分类器提高了3.63%，特别是表现出更好的召回率（平均4.96%）。
2020-05-22 cs.CL
Auto prompting without training labels: An LLM cascade for product quality assessment in e-commerce catalogs
Amazon Catalog AI（亚马逊目录人工智能）
本研究提出一种免训练的LLM自动提示级联系统，无需训练标签即可优化电商商品质量评估提示，相比思维链提示提升8-10%的精确率和召回率，大幅降低专家工作量，且能跨语言、跨任务泛化。
2025-10-27 cs.AI cs.CL
Why We Feel What We Feel: Joint Detection of Emotions and Their Opinion Triggers in E-commerce
Computer Science and Engineering, IIT Bombay, India（计算机科学与工程系，印度理工学院班加罗尔）；Flipkart, India（Flipkart，印度）
本文提出联合情绪检测与观点触发词提取任务EOT，构建含2400条评论的EOT-X数据集，并设计结构化提示框架EOT-DETECT，在23个大语言模型上验证其优于零样本和思维链方法。
2025-07-07 cs.CL
Automatic Validation of Textual Attribute Values in E-commerce Catalog by Learning with Limited Labeled Data
State University of New York at Buffalo（纽约州立大学布法罗分校）
产品目录是电子商务网站的宝贵资源。在目录中，产品与多个属性相关联，这些属性的值是简短的文本，例如产品名称，品牌，功能和风味。通常个体零售商自我报告这些关键值，因此目录信息不可避免地包含噪声事实。尽管现有的深度神经网络模型已经成功地在两段文本之间进行交叉检查，但它们的成功必须依赖于大量的高质量标记数据，而这些数据在此验证任务中很难获得：产品跨越各种类别。为了解决上述挑战，我们提出了一种新的元学习潜变量方法，称为MetaBridge，它可以从具有有限标记数据的类别子集中学习可转移的知识，并利用未标记数据捕获从未见过的类别的不确定性。具体而言，我们做出以下贡献。(1)我们形式化的问题，验证文本属性值的产品从各种类别的自然语言推理任务中的少样本学习设置，并提出了一个元学习潜在变量模型，以共同处理从产品配置文件和文本属性值获得的信号。(2)我们建议在一个统一的模型中集成Meta学习和潜在变量，以有效地捕捉各种类别的不确定性。(3)在少样本学习环境下，提出了一种新的基于潜变量模型的目标函数，保证了未标记数据和标记数据之间的分布一致性，并通过对学习后的分布进行采样来防止过拟合。在数百个类别的真实电子商务数据集上进行的大量实验证明了MetaBridge在文本属性验证方面的有效性及其与最先进方法相比的出色性能。
2020-06-23 cs.CL cs.LG
SynthAVE: Scalable Synthetic Labeling for E-Commerce with LLM-Arena Validation
Amazon（亚马逊）
研究针对电子商务属性提取微调大语言模型需大量标注数据、人工标注成本高的问题，提出SynthAVE基准及多LLM领域框架，通过多数投票验证合成标注，实现经济高效且质量与人工审核相当的大规模属性值提取验证。
2026-09-01 cs.AI cs.CL
EAVE: Efficient Product Attribute Value Extraction via Lightweight Sparse-layer Interaction
Google（谷歌）
针对多属性产品信息需重复提取导致的效率问题，提出EAVE，通过缓存重型上下文表示并结合轻型编码器与稀疏层交互，在长上下文、多属性场景下显著提速且性能几乎无损。
2024-06-10 cs.CL
Multi-Modal Generative Adversarial Network for Short Product Title Generation in Mobile E-Commerce
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
如今，越来越多的客户倾向于使用淘宝和亚马逊等移动电子商业应用程序浏览和购买产品。由于商家通常倾向于描述冗余和过度信息的产品标题来吸引客户的注意力，因此在有限的手机屏幕上简洁地显示简短的产品标题是很重要的。为了解决这一问题，以往的研究主要考虑文本信息的长产品名称和缺乏人性化的观点在培训和评估过程中。本文提出了一种多模态生成对抗网络（MM-GAN）用于电子商业中的产品短标题生成，它创新性地融合了产品的图像信息和属性标签，以及原始长标题的文本信息。MM-GAN将简短标题生成作为强化学习过程，其中生成的标题由机器人在类似人类的视图中进行评估。在大规模电子商业数据集上的实验表明，该算法优于其他最先进的方法。此外，我们将我们的模型部署到现实世界的在线电子商业环境中，并有效地提高了点击率和点击转换率的性能，分别为1.66%和1.87%。
2019-04-03 cs.CL
Contextually Aware E-Commerce Product Question Answering using RAG
Flipkart US R\&D Center Bellevue Washington USA；Flipkart US R\&D Center
提出一种基于RAG的上下文感知电子商务产品问答框架，整合对话历史、用户画像和产品属性，处理多类型查询并识别信息缺口，引入新评估指标。
2025-08-04 cs.CL
Enhanced Review Detection and Recognition: A Platform-Agnostic Approach with Application to Online Commerce
Institute of Innovation, Science and Sustainability, Federation University（联邦大学创新、科学与可持续发展研究所）；Transitional AI Research Group（过渡人工智能研究集团）
本研究提出一种跨平台的机器学习评论检测提取方法，可泛化到训练集外的网站，并实现了情感不一致分析、多语言支持、虚假评论检测三大应用，助力在线商务的跨来源评论自动评估。
2024-05-09 cs.AI cs.CL
LLM-Ensemble: Optimal Large Language Model Ensemble Method for E-commerce Product Attribute Value Extraction
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Walmart Global Tech（沃尔玛全球科技）
针对不同大语言模型在电商属性值抽取任务中各有优劣的问题，提出迭代学习权重的LLM-ensemble集成算法，理论最优且高效安全，在沃尔玛内部数据上优于单模型，已上线并提升多项业务指标。
2024-06-20 cs.AI cs.CL cs.IR
Applications of BERT Based Sequence Tagging Models on Chinese Medical Text Attributes Extraction
Tsinghua-iFlytek Joint Laboratory（清华大学科大讯飞联合实验室）
我们将中文医学文本属性抽取任务转化为序列标注或机器阅读理解任务。基于BERT预训练模型，我们不仅尝试了广泛使用的LSTM-CRF序列标记模型，还尝试了其他序列模型，如CNN，UCNN，WaveNet，SelfAttention等，这些模型达到了与LSTM+CRF相似的性能。这揭示了传统的序列标记模型。由于不同序列标记模型的重点方面差异很大，因此将这些模型集成在一起会增加最终系统的多样性。通过这样做，我们的系统在中文医学文本属性提取任务（CCKS 2019任务1的子任务2）上取得了良好的性能。
2020-08-22 cs.CL
Multimodal Attribute Extraction
University of California（加利福尼亚大学）；Diffbot（Diffbot公司）
信息抽取的主要目标是从非结构化数据中获取结构化信息。然而，大多数现有的方法只关注文本，忽略了其他类型的非结构化数据，如图像，视频和音频，其中包括越来越多的部分在Web上的信息。为了解决这个缺点，我们提出了多模态属性提取的任务。给定关于实体的非结构化和半结构化上下文信息的集合（例如文本描述或视觉提示），任务是提取实体的底层属性。在本文中，我们提供了一个数据集，其中包含超过200万个产品项目的混合媒体数据，以及700万个描述项目的属性-值对，这些项目可用于以弱监督方式训练属性提取器。我们提供了各种各样的基线，这些基线展示了个体信息模式对解决任务的相对有效性，以及研究人类的表现。
2017-11-29 cs.CL
Multi-Modal Attribute Extraction for E-Commerce
Rakuten Group, Inc.（乐天集团股份有限公司）
为了改善用户在浏览在线市场提供的无数选项时的体验，拥有组织良好的产品目录至关重要。其中一个关键因素是产品属性的可用性，如颜色或材料。然而，在我们关注的一些市场上，如Rake-Ichiba，属性信息往往不完整甚至缺失。这个问题的一个有希望的解决方案是依靠在大型语料库上预先训练的深度模型来预测非结构化数据的属性，例如产品描述性文本和图像（本文中称为模态）。然而，我们发现，这种方法实现令人满意的性能并不简单，而是几个改进的结果，我们在本文中讨论。我们提供了一个详细的描述，我们的方法，属性提取，从调查强单模态方法，建立一个坚实的多模态模型结合文本和视觉信息。我们的多模态架构的一个关键组成部分是一种新的方法来无缝地结合模态，这是由我们的单模态调查的启发。在实践中，我们注意到这种新的模态合并方法可能会遇到模态崩溃问题，即，它忽略了一种模式。因此，我们进一步提出了一个缓解这个问题的基础上原则性的正则化方案。在Rake-Ichiba数据上的实验为我们的方法的好处提供了经验证据，该方法也已成功部署到Rake-Ichiba。我们还报告了公开数据集的结果，表明我们的模型与最近的几个多式联运和单峰基线相比具有竞争力。
2022-03-07 cs.CL cs.CV cs.LG
eC-Tab2Text: Aspect-Based Text Generation from e-Commerce Product Tables
University of Engineering and Technology (UTEC)（工程技术大学（UTEC））；University of Alberta（阿尔伯塔大学）
本文构建电商领域数据集 eC-Tab2Text，并基于产品表格微调 LLM 生成属性相关评论，实验表明其在准确性、忠实性和流畅性上均有显著提升。
2025-02-20 cs.AI cs.CL cs.DB
Self-Refinement Strategies for LLM-based Product Attribute Value Extraction
University of Mannheim（曼海姆大学）
本文研究两种自优化技术（基于错误的提示重写和自校正）在基于大语言模型的产品属性值抽取任务中的应用，发现其未提升性能却增加成本，而微调在有开发数据时性能最优且启动成本随数据量增加被抵消。
2025-02-14 cs.CL
Meaningful Answer Generation of E-Commerce Question-Answering
Peking University（北京大学）；Shandong University（山东大学）；Renmin University of China（中国人民大学）
在电子商业门户网站中，为产品相关问题生成答案已成为一项至关重要的任务。在本文中，我们专注于产品感知答案生成的任务，它学习从大规模未标记的电子商业评论和产品属性中生成准确和完整的答案。然而，安全回答问题对文本生成任务提出了重大挑战，电子商业问答任务也不例外。为了生成更有意义的答案，在本文中，我们提出了一种新的生成神经模型，称为有意义的产品答案生成器（MPAG），它通过考虑产品评论，产品属性和原型答案来解决安全答案问题。产品评论和产品属性用于提供有意义的内容，而原型答案可以产生更多样化的答案模式。为此，我们提出了一种新的答案生成器与审查推理模块和原型答案阅读器。我们的核心思想是从大规模的评论集合中获得正确的问题感知信息，并学习如何从现有的原型答案中写出连贯而有意义的答案。更具体地说，我们提出了一个读写记忆组成的选择性写作单位进行推理之间的这些评论。然后，我们采用了一个原型阅读器组成的全面匹配，从原型答案提取答案骨架。最后，我们提出了一个答案编辑器，以生成最终的答案，以问题和上述部分作为输入。在从电子商业平台收集的真实数据集上进行的大量实验结果表明，我们的模型在自动度量和人工评估方面都达到了最先进的性能。人类评估也表明，我们的模型可以始终如一地生成具体和适当的答案。
2020-11-14 cs.AI cs.CL cs.IR
Intent-based Product Collections for E-commerce using Pretrained Language Models
NAVER CLOVA；NAVER AI LAB；LBox Co., Ltd.（LBox有限公司）
建立购物产品系列主要是人类的工作。通过手工制作的努力，专家们收集了具有共同购物意图的相关但不同的产品，这些产品在一起展示时是有效的，例如，背包，笔记本电脑包，和信使袋新生袋礼物。自动构建集合需要ML系统学习客户意图和产品属性之间的复杂关系。但也出现了挑战点，比如1）长而复杂的意图语句，2）丰富多样的产品属性，3）它们之间存在巨大的语义鸿沟，使问题变得困难。在本文中，我们使用预训练的语言模型（PLM），利用Web规模的产品的文本属性，使基于意图的产品集合。具体来说，我们通过将意图句子设置为锚并将相应的产品设置为正例来训练具有三重损失的BERT。此外，我们还通过基于搜索的负采样和分类正对增强来提高模型的性能。我们的模型显着优于基于搜索的基线模型，在离线评估的基于意图的产品匹配。此外，在我们的电子商业平台上的在线实验结果表明，基于PLM的方法可以构建产品的集合，与专家精心制作的集合相比，具有更高的CTR，CVR和订单多样性。
2021-10-15 cs.CL cs.IR
ExtractGPT: Exploring the Potential of Large Language Models for Product Attribute Value Extraction
University of Mannheim（曼海姆大学）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出ExtractGPT，利用大语言模型通过提示模板从非结构化产品描述中提取属性值，GPT-4达到85%的F1分数，优于BERT基线和开源模型，但微调会降低泛化能力。
2024-09-20 cs.CL
Using LLMs for the Extraction and Normalization of Product Attribute Values
University of Mannheim（曼海姆大学）
本文研究利用GPT-3.5和GPT-4等大语言模型从电商产品标题与描述中抽取并归一化属性值，引入WDC-PAVE基准数据集，实验表明GPT-4以91%的F1分数优于现有PLM方法，且在字符串整理和名称扩展上表现突出。
2024-07-15 cs.CL
TXtract: Taxonomy-Aware Knowledge Extraction for Thousands of Product Categories
Columbia University（哥伦比亚大学）
从产品档案中提取结构化知识对于电子商务中的各种应用至关重要。最先进的知识提取方法都是针对单一类别的产品设计的，因此不适用于现实生活中的电子商务场景，这些场景通常包含数千个不同的类别。本文提出了TXtract，一个分类意识的知识提取模型，适用于成千上万的产品类别组织在一个层次分类。通过类别条件自我注意和多任务学习，我们的方法既具有可扩展性，因为它为数千个类别训练单个模型，又有效，因为它提取了特定于类别的属性值。在4,000个类别的分类产品上进行的实验表明，TXtract在F1中的性能比最先进的方法高出10%，在所有类别中的覆盖率高出15%。
2020-05-01 cs.CL cs.IR cs.LG
Hybrid Generative-Tagging Decoding for Efficient Product Attribute-Value Extraction
Amazon（亚马逊）
针对电商产品属性-值抽取的痛点，提出混合生成-标记解码模型，结合标记与生成策略，在不损失精度的前提下提升属性覆盖、正确对数量并降低延迟。
2026-10-16 cs.CL
A Unified Generative Approach to Product Attribute-Value Identification
Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group, Inc.（乐天集团株式会社）；Institute of Industrial Science（工业科学研究所）；The University of Tokyo（东京大学）
针对现有产品属性值识别方法无法全面处理未见值、多属性值等问题，本研究提出基于T5微调的生成式方法，通过优化属性值对的线性化策略，在大规模真实数据集上取得了优于传统抽取、分类方法的效果。
2023-06-09 cs.AI cs.CL
MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
MADIAVE通过多智能体辩论框架提升隐式属性值提取的准确性和鲁棒性，适用于多模态电子商务场景。
2026-01-15 cs.AI cs.CL
Flippi: End To End GenAI Assistant for E-Commerce
Flipkart US R\&D Center Bellevue, Washington, USA；Flipkart US R\&D Center
本文介绍了由大语言模型驱动的电子商务端到端对话助手Flippi，它利用RAG和NER等NLP技术解析查询并提供精准产品信息与比价分析，通过自然语言对话实现超越传统搜索的个性化购物体验。
2025-07-11 cs.CL
Attribute Extraction from Product Titles in eCommerce
WalmartLabs（沃尔玛实验室）
本文提出了一种命名实体提取系统，用于检测沃尔玛等电子商务零售商的产品名称中的属性。在如此短的文本片段中缺乏句法结构使得提取属性值成为一个具有挑战性的问题。我们发现，结合序列标记算法，如条件随机场和结构化感知器与策划的规范化方案产生一个有效的系统，从标题中提取产品属性值的任务。为了使讨论具体化，我们将从一个特定的属性-品牌的角度来说明系统的机制。我们还讨论了一个属性提取系统的重要性，在零售网站与大型产品目录的背景下，比较我们的方法，其他潜在的方法来解决这个问题，并结束了我们的系统提取属性的性能的讨论。
2016-08-15 cs.CL cs.IR
Product Information Extraction using ChatGPT
University of Mannheim（曼海姆大学）；Northeastern University（东北大学）
本文探讨ChatGPT在零样本和少样本提示下从文本产品描述中提取属性/值对的潜力，发现其性能与预训练语言模型相当，但所需训练数据和微调计算量大幅减少。
2023-06-23 cs.CL cs.IR
Rethinking E-Commerce Search
Instacart, Inc.（Instacart公司）
本文提出反向改造电商搜索的思路：将产品库存、目录和分类等结构化数据转为文本以训练 LLM，并通过 LLM 问答机制实现搜索与推荐，替代传统信息抽取和结构化检索流程。
2023-12-06 cs.CL cs.IR
Product Characterisation towards Personalisation: Learning Attributes from Unstructured Data to Recommend Fashion Products
ISR, IST, Universidade de Lisboa（里斯本大学系统与机器人研究所、高等理工学院）
在本文中，我们描述了一种解决方案，以解决电子商务中的一系列常见挑战，这些挑战来自于新产品不断被添加到目录中的事实。这些挑战涉及适当地个性化客户体验，预测需求和规划产品范围。我们认为，解决所有这些问题的基础是拥有关于每个产品的一致和详细的信息，这些信息很少提供或一致，因为供应商和产品类型众多。我们详细描述了在ASOS，世界上最大的时尚电子商务零售商之一，以解决这个问题的架构和方法。然后，我们将展示如何利用这种定量的产品的理解，以提高建议的混合推荐系统的方法。
2018-03-20 cs.CL cs.CV cs.IR
Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning
North Carolina State University（北卡罗来纳州立大学）；Fudan University（复旦大学）
面向新实体的开放属性值抽取是一项重要而又具有挑战性的任务。许多以前的工作制定的问题作为一个\textit{question-answering}（QA）的任务。虽然来自网络语料库的文章集合提供了关于新兴实体的更新信息，但检索到的文本可能是嘈杂的，不相关的，从而导致不准确的答案。有效地过滤掉噪声文章以及糟糕的答案是提高抽取准确率的关键。知识图谱（KG）包含关于实体的丰富的、组织良好的信息，为解决这一挑战提供了良好的资源。在这项工作中，我们提出了一个知识引导的强化学习（RL）框架的开放属性值提取。根据KG中的相关知识，我们训练了一个深度Q网络来顺序比较提取的答案，以提高提取的准确性。该框架适用于不同的信息抽取系统。我们的实验结果表明，我们的方法优于基线的16.5 - 27.8%。
2020-10-19 cs.CL cs.IR
Exploring Generative Models for Joint Attribute Value Extraction from Product Titles
IIT Kharagpur（印度理工学院克勒格布尔分校）；TCS Research（塔塔咨询服务研究院）
产品的属性值是任何电子商务平台的重要组成部分。属性值提取（AVE）处理从产品的标题或描述中提取产品的属性及其值。在本文中，我们建议使用生成框架来解决AVE任务。我们提出了两种类型的生成范式，即，基于词序列和基于位置序列，通过制定AVE任务作为一个生成问题。我们在两个数据集上进行实验，其中生成方法实现了新的最先进的结果。这表明，我们可以使用所提出的框架AVE任务，而无需额外的标记或特定于任务的模型设计。
2022-08-15 cs.CL cs.IR
Multi-Attribute Relation Extraction (MARE) -- Simplifying the Application of Relation Extraction
FH Aachen, University of Applied Sciences（亚琛应用技术大学）；University of Kassel（卡塞尔大学）
自然语言理解的关系抽取使创新和鼓励新的业务概念成为可能，并促进新的数字化决策过程。当前的方法允许提取具有固定数量的实体作为属性的关系。提取具有任意数量属性的关系需要复杂的系统和昂贵的关系触发器注释来帮助这些系统。我们引入多属性关系抽取（MARE）作为一个无约束的问题制定两种方法，促进了显式的映射从业务用例的数据注释。避免复杂的注释约束简化了关系抽取方法的应用。评估比较我们的模型，目前国家的最先进的事件提取和二进制关系抽取方法。我们的方法相比，这些一般的多属性关系的提取显示出改进。
2021-11-17 cs.AI cs.CL cs.IR
SAGE: Structured Attribute Value Generation for Billion-Scale Product Catalogs
Amazon（亚马逊）；Meta
本文提出SAGE，一种生成式LLM，将属性值预测转化为Seq2Seq摘要任务，突破了候选集与显式提及限制，能推断隐式及常识属性值并判断属性不适用情况，在零样本场景下表现优越。
2023-09-12 cs.AI cs.CL cs.IR
Getting To Know You: User Attribute Extraction from Dialogues
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
用户属性为用户理解提供了丰富而有用的信息，但结构化和易于使用的属性通常很少。在本文中，我们利用对话与会话代理，其中包含用户信息的强烈建议，自动提取用户属性。由于没有现有的数据集可用于此目的，我们应用远程监督训练我们提出的两阶段属性提取器，它超越了人类评价的几个检索和生成基线。同时，我们讨论了潜在的应用（例如，个性化推荐和对话系统），并指出当前的局限性，以便对未来的工作有所启发。
2019-08-13 cs.AI cs.CL
E-commerce Query-based Generation based on User Review
University of Illinois（伊利诺伊大学）
随着电子商业平台上的商品数量越来越多，用户倾向于参考其他购物者的评论来决定他们应该购买哪种产品。然而，对于一个产品有这么多的评论，用户通常不得不花很多时间浏览评论，谈论他们不关心的产品属性。我们希望建立一个系统，可以自动总结和回答用户的产品特定的问题。在这项研究中，我们提出了一种新的seq 2seq为基础的文本生成模型来生成用户的问题的答案的基础上发表的评论以前的用户。给定用户问题和/或目标情感极性，我们提取感兴趣的方面，并生成一个答案，总结以前的相关用户评论。具体来说，我们的模型在编码过程中在输入评论和目标方面之间进行注意，并且在解码过程中以评论评级和输入上下文为条件。我们还结合了一个预训练的辅助评级分类器，以提高模型性能并加速训练过程中的收敛。使用真实世界的电子商业数据集的实验表明，我们的模型实现了性能的改善相比，以前介绍的模型。
2020-11-11 cs.CL cs.IR cs.LG
Simple and Effective Knowledge-Driven Query Expansion for QA-Based Product Attribute Extraction
Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group Inc.（乐天集团）；Institute of Industrial Science（工业科学研究所）；the University of Tokyo（东京大学）
电子商务网站属性值提取的一个关键问题是如何处理大量不同产品的属性。虽然这个挑战部分地解决了问答（QA）的方法，找到一个给定的查询（属性）的产品数据中的值，它不工作，有效地为罕见的和模糊的查询。因此，我们提出了简单的知识驱动的查询扩展的基础上可能的答案（值）的查询（属性）的基于QA的AVE。我们从训练数据中检索查询（属性）的值以扩展查询。我们用知识丢弃和知识令牌混合两种技巧来训练模型，模拟测试中价值知识的不完全性。在AliExpress数据集的清理版本上的实验结果表明，我们的方法提高了AVE的性能（+6.08宏F1），特别是对于罕见和模糊的属性（分别为+7.82和+6.86宏F1）。
2022-06-28 cs.AI cs.CL
E-BERT: A Phrase and Product Knowledge Enhanced Language Model for E-commerce
Rutgers University（罗格斯大学）；NEC Laboratories America, Inc.（NEC美国实验室公司）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
预先训练的语言模型，如BERT，在广泛的自然语言处理任务中取得了巨大的成功。然而，BERT由于缺乏两个层次的领域知识而不能很好地支持电子商业相关任务，即，短语级和产品级。一方面，许多电子商业任务需要对领域短语的准确理解，而这种细粒度的短语级知识并没有被BERT的训练目标明确地建模。另一方面，产品级知识，如产品关联，可以增强电子商业的语言建模，但他们不是事实知识，因此不加区别地使用它们可能会引入噪音。为了解决这个问题，我们提出了一个统一的预训练框架，即E-BERT。具体来说，为了保留短语级知识，我们引入了自适应混合掩码，它允许模型根据两种模式的拟合进度自适应地从学习初步单词知识切换到学习复杂短语。为了利用产品级知识，我们引入了Neighbor Product Reconstruction，它训练E-BERT通过去噪交叉注意层来预测产品的相关邻居。我们的调查显示，在四个下游任务，即，基于评论的问答、方面提取、方面情感分类和产品分类。
2021-12-17 cs.AI cs.CL cs.LG
