面向多源优惠信息流混合命名实体识别系统
信息检索
2019-06-12 v2 机器学习
摘要
网络上的数据大多是非结构化的。银行、数字钱包、商户等多个来源发布的优惠信息，是当今世界上被访问最多的广告数据之一。这些数据每天被数百万人访问，且易于被人理解，但由于其高度非结构化且多样，使用算法从这些优惠中提取有意义的信息十分困难。从这些优惠中识别关键的优惠实体（例如金额、优惠适用的产品、提供优惠的商户等）对于定向触达正确客户以提升销售起着至关重要的作用。本工作提出并评估了多种现有的命名实体识别器（Named Entity Recognizer, NER）模型，这些模型能够从优惠信息流中识别所需实体。我们还提出了一种新颖的混合NER模型，其由第一层的条件随机场、双向LSTM和Spacy模型以及第二层的SVM分类器通过两级堆叠构建而成。所提出的混合模型已在从多个来源收集的优惠信息流上进行了测试，与现有模型相比，在优惠领域表现出更优的性能。
引用
@article{arxiv.1901.08406,
title = {Hybrid NER System for Multi-Source Offer Feeds},
author = {Anusha Holla and Bharat Gaind and Vikas Reddy Katta and Abhishek Kundu and S Kamalesh},
journal= {arXiv preprint arXiv:1901.08406},
year = {2019}
}
备注
Published in the Global Journal of Engineering Science and Researches (ISSN 2348 - 8034, Pg. 69-77) after getting accepted in the International Conference on Recent Trends In Computational Engineering and Technologies (ICRTCET'18), May 17-18, 2018, Bengaluru, India. Journal Link - http://www.gjesr.com/ICRTCET-18.html