多标签零样本产品属性-值抽取

电商平台应提供详细的产品描述（属性值）以实现有效的产品搜索和推荐。然而，新产品通常无法获得属性值信息。为了预测未见过的属性值，需要大量带标签的训练数据来训练传统的监督学习模型。通常，手动为大量新产品档案打标签是困难、耗时且成本高昂的。在本文中，我们提出了一种新颖的方法，在无标签数据（零样本设置）的情况下，高效且有效地从新产品中抽取未见过的属性值。我们提出了 HyperPAVE，一种多标签零样本属性值抽取模型，该模型利用异构超图中的归纳推理。具体而言，我们提出的技术构建异构超图来捕获复杂的高阶关系（即用户行为信息），从而为图节点学习更准确的特征表示。此外，我们提出的 HyperPAVE 模型使用归纳链接预测机制来推断未见节点之间的未来连接。这使得 HyperPAVE 能够在无需带标签训练数据的情况下识别新的属性值。我们在 MAVE 数据集的不同类别上进行了广泛的实验和消融研究。结果表明，我们提出的 HyperPAVE 模型在零样本设置下的属性值抽取任务中，显著优于现有的基于分类和基于生成的大语言模型。