Octet：基于自监督的在线目录分类法扩充

分类法在各个领域有着广泛的应用，尤其是在线场景中的商品分类、浏览和搜索。尽管在线目录分类法被广泛使用，但实践中大多数分类法由人工维护，这既耗费人力又难以扩展。虽然从零开始构建分类法在文献中已有大量研究，但如何有效地扩充现有不完整的分类法仍是一个开放且重要的研究问题。分类法扩充不仅需要具备处理新兴术语的鲁棒性，还需要保持现有分类法结构与新术语附着之间的一致性。在本文中，我们提出了一个自监督的端到端框架 Octet，用于在线目录分类法扩充 (Online Catalog Taxonomy EnrichmenT)。Octet 利用了在线目录分类法独有的异构信息（如用户查询、商品及其与分类法节点的关系），且除了现有分类法外不需要其他监督。我们提出远程训练一个序列标注模型用于术语提取，并采用图神经网络 (GNN) 来捕获分类法结构以及查询-商品-分类法交互，以用于术语附着。在不同在线领域的大量实验表明，通过自动评估和人工评估，Octet 优于现有最先进的方法。值得注意的是，在开放世界评估中，Octet 将生产环境中的在线目录分类法扩充至两倍大小。