利用集成迁移嵌入对短文本且含噪描述的商品进行分类
机器学习
2021-10-25 v1
摘要
商品分类是一项机器学习任务，旨在将通常以文本属性表示的电商商品分类到预定义类别集合中最合适的类别。准确的商品分类系统对于改善用户体验和公司运营流程至关重要。在本工作中，我们关注如下商品分类设定：表示商品的文本属性含噪且简短，且标签（即商品到类别的准确分类）不可用。为应对此类设定，我们提出了一种新颖的学习框架——集成迁移嵌入（ETE），其依赖于两个关键思想：1）以半自动过程标注目标数据集中相对较小的样本，以及 2）利用来自相关领域或相关任务、大规模且已标注的其他数据集来提取“可迁移嵌入”。在 PayPal 提供给我们的一个大规模真实数据集上，ETE 的评估表明其显著优于传统的以及最先进的（SOTA）商品分类方法。
引用
@article{arxiv.2110.11431,
title = {Categorizing Items with Short and Noisy Descriptions using Ensembled Transferred Embeddings},
author = {Yonatan Hadar and Erez Shmueli},
journal= {arXiv preprint arXiv:2110.11431},
year = {2021}
}