基于文本的产品匹配——半监督聚类方法
Text-Based Product Matching -- Semi-Supervised Clustering Approach
AI总结：
本文提出一种基于半监督聚类的产品匹配新方法，通过在真实数据集上结合IDEC算法与模糊字符串匹配进行实验，证明了少量标注样本增强的无监督匹配可作为主流监督策略的有效替代方案。
摘要：
匹配存在于多个产品源中的相同产品是电子商务中许多任务的关键要素，例如比较产品报价、动态价格优化以及为客户选择个性化产品组合。这对应着著名的机器学习任务——实体匹配，并具有其自身的特性，如无处不在的非结构化数据或不准确且不一致的产品描述。本文旨在提出一种利用半监督聚类方法进行产品匹配的新理念。我们通过在真实世界数据集上使用IDEC算法进行实验来研究该方法的特性，主要使用文本特征和模糊字符串匹配，并以更标准的方法作为参考基准。令人鼓舞的结果表明，用少量产品链接的标注样本进行增强的无监督匹配，可以成为需要大量手动数据标注的主流监督策略的可能替代方案。
英文摘要：
Matching identical products present in multiple product feeds constitutes a crucial element of many tasks of e-commerce, such as comparing product offerings, dynamic price optimization, and selecting the assortment personalized for the client. It corresponds to the well-known machine learning task of entity matching, with its own specificity, like omnipresent unstructured data or inaccurate and inconsistent product descriptions. This paper aims to present a new philosophy to product matching utilizing a semi-supervised clustering approach. We study the properties of this method by experimenting with the IDEC algorithm on the real-world dataset using predominantly textual features and fuzzy string matching, with more standard approaches as a point of reference. Encouraging results show that unsupervised matching, enriched with a small annotated sample of product links, could be a possible alternative to the dominant supervised strategy, requiring extensive manual data labeling.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
