知识增强的多标签少样本产品属性-值抽取
信息检索
2023-08-17 v1 计算与语言
摘要
现有的属性-值抽取（AVE）模型需要大量标注数据用于训练。然而，在真实电商中，带有新属性-值对的新产品每天都会进入市场。因此，我们将 AVE 表述为多标签少样本学习（FSL）问题，旨在基于少量训练样本抽取未见的属性-值对。我们提出一种基于原型网络的知识增强注意力框架（KEAF），利用生成的标签描述和类别信息学习更具判别力的原型。此外，KEAF 集成混合注意力，通过计算标签相关和查询相关权重来降低噪声并为每一类捕获更具信息量的语义。为实现多标签推断，KEAF 进一步通过整合支持集与查询集的语义信息学习动态阈值。在两个数据集上进行的含消融实验的广泛实验表明，KEAF 在 FSL 的信息抽取上优于其他 SOTA 模型。代码见：https://github.com/gjiaying/KEAF
引用
@article{arxiv.2308.08413,
title = {Knowledge-Enhanced Multi-Label Few-Shot Product Attribute-Value Extraction},
author = {Jiaying Gong and Wei-Te Chen and Hoda Eldardiry},
journal= {arXiv preprint arXiv:2308.08413},
year = {2023}
}
备注
6 pages, 2 figures, published in CIKM 2023