从产品文本描述中丰富时尚知识图谱
信息检索
2022-06-03 v1
摘要
知识图谱提供了一种非常有用且强大的信息表示结构，因此已被采纳为电子商务场景中许多应用的主干。在本文中，我们描述了现有技术的应用，用于丰富我们在 Farfetch 构建的大规模时尚知识图谱（FKG）。具体而言，我们应用命名实体识别（NER）和实体链接（EL）技术，以从产品文本描述中提取丰富元数据并将其链接到 FKG 中的实体。拥有完整且丰富的 FKG 作为电子商务主干，可对搜索和推荐等下游应用产生极高价值的影响。然而，时尚领域的知识图谱丰富有其自身的挑战。数据表示不同于更通用的 KG（如 Wikidata 和 Yago），因为实体（例如产品属性）过于领域特定，且长文本描述并不易得。数据本身也稀缺，因为标注数据集以训练监督模型是一项非常费力的任务。更有甚者，时尚产品表现出高度多变性，并需要一个复杂的属性本体来进行链接。我们采用基于迁移学习的方法，在少量人工标注数据上训练 NER 模块，随后使用 EL 模块将先前识别的命名实体链接到 FKG 中的适当实体。使用预训练模型的实验表明，即使使用少量人工标注数据集，也能在 NER 中达到 89.75% 的准确率。此外，EL 模块尽管依赖简单的基于规则或机器学习模型（由于缺少训练数据），仍能将相关属性链接到产品，从而自动丰富 FKG。
引用
@article{arxiv.2206.01087,
title = {Enriching a Fashion Knowledge Graph from Product Textual Descriptions},
author = {João Barroca and Abhishek Shivkumar and Beatriz Quintino Ferreira and Evgeny Sherkhonov and João Faria},
journal= {arXiv preprint arXiv:2206.01087},
year = {2022}
}
备注
Presented at the International Workshop on Knowledge Graph Generation from Text (ESWC 2022)