MRNet-Product2Vec：用于产品嵌入的多任务循环神经网络
人工智能
2017-09-25 v1 机器学习
机器学习
摘要
Amazon、Alibaba、Flipkart 和 Walmart 等电子商务网站销售数十亿种产品。涉及产品的机器学习（ML）算法常被用于改善客户体验和增加收入，例如产品相似性、推荐和价格估计。在训练 ML 算法之前，需要将产品表示为特征。在本文中，我们提出了一种名为 MRNet-Product2Vec 的方法，用于在电子商务生态系统中创建产品的通用嵌入。我们学习一种稠密且低维的嵌入，其中与产品相关的各种信号被显式注入其表示中。我们训练一个判别式多任务双向循环神经网络（RNN），其输入是通过双向 RNN 馈入的产品标题，在输出端预测对应于十五个不同任务的产品标签。任务集包括关于产品的若干内在特征，如价格、重量、尺寸、颜色、流行度和材质。我们对所提出的嵌入进行了定量和定性评估。我们证明，尽管其维度不到 TF-IDF 维度的 3%，但它们几乎与稀疏且极高维的 TF-IDF 表示一样好。我们还使用多模态自编码器来比较来自不同语言地区的产品，并展示了初步但有希望的定性结果。
引用
@article{arxiv.1709.07534,
title = {MRNet-Product2Vec: A Multi-task Recurrent Neural Network for Product Embeddings},
author = {Arijit Biswas and Mukul Bhutani and Subhajit Sanyal},
journal= {arXiv preprint arXiv:1709.07534},
year = {2017}
}
备注
Published in ECML-PKDD 2017 (Applied Data Science Track)