全球单位价格问题的求解：将事实抽取表述为问答任务
计算与语言
2022-04-13 v1 人工智能
信息检索
机器学习
摘要
单位价格（PPU）是消费者在电商网站比较产品时的重要信息。计算PPU需要找出产品的总量，而卖家并非总是提供该信息。为预测总量，需正确推断产品属性（如标题、描述和图像）中给出的所有相关数量。我们将此问题表述为问答（QA）任务，而非用于事实抽取的命名实体识别（NER）任务。在我们的QA方法中，我们首先预测度量单位（UoM）类型（例如体积、重量或个数），据此构造所需问题（例如“总体积是多少？”），然后利用该问题找出所有相关答案。我们的模型架构由两个子网络组成以处理两个子任务：一个分类器用于预测UoM类型（或问题），一个抽取器用于抽取相关数量。两个子任务均采用深度字符级CNN架构，其使得（1）易于扩展至具有相似字母表的新店铺，（2）因其跨度-图像架构而支持多跨度回答，以及（3）通过保持较低的模型推理延迟而易于部署。我们的QA方法在精度上比基于规则的方法高出34.4%，且在全球所有店铺中也优于基于BERT的事实抽取方法，其中美国店铺的精度提升最大，达10.6%。
引用
@article{arxiv.2204.05555,
title = {Solving Price Per Unit Problem Around the World: Formulating Fact Extraction as Question Answering},
author = {Tarik Arici and Kushal Kumar and Hayreddin Çeker and Anoop S V K K Saladi and Ismail Tutar},
journal= {arXiv preprint arXiv:2204.05555},
year = {2022}
}
备注
8 pages, 2 figures, 8 tables. This work was accepted in TrueFact KDD '21 workshop