用于电子商务产品属性抽取的深度循环神经网络
计算与语言
2018-09-07 v1 人工智能
摘要
从产品标题中抽取准确的属性特征，是通过丰富的分面搜索为电子商务客户提供优质在线购物体验的关键组成部分。我们展示了深度循环网络在该领域的潜力，主要模型包括双向 LSTM 和带或不带注意力机制的双向 LSTM-CRF。与之前的基准（More 等）相比，这些模型的总体 F1 分数至少提高了 0.0391，总体准确率达到 97.94%，召回率达到 94.12%，F1 分数达到 0.9599。这使我们能够实现对产品重要分面或属性的显著覆盖，这不仅表明深度循环模型相对于以往机器学习基准的有效性，而且极大地提升了客户在线购物的整体体验。
引用
@article{arxiv.1803.11284,
title = {Deep Recurrent Neural Networks for Product Attribute Extraction in eCommerce},
author = {Bodhisattwa Prasad Majumder and Aditya Subramanian and Abhinandan Krishnan and Shreyansh Gandhi and Ajinkya More},
journal= {arXiv preprint arXiv:1803.11284},
year = {2018}
}