面向产品匹配的监督对比学习
机器学习
2022-05-03 v2
摘要
近年来，对比学习推动了计算机视觉与信息检索诸多任务的技术水平。本海报是首项将监督对比学习应用于电商中跨不同网店产品匹配任务的工作，使用来自不同电子商店的产品报价。具体而言，我们采用一种监督对比学习技术预训练 Transformer 编码器，随后使用成对训练数据微调该编码器以用于匹配任务。我们进一步提出一种源感知采样策略，使对比学习可应用于训练数据不含产品标识符的场景。我们表明，将监督对比预训练与源感知采样结合，显著提升了多个广泛使用的基准上的 SOTA 性能：对于 Abt-Buy，我们达到 94.29 的 F1 分数（较先前 SOTA 提高 +3.24），对于 Amazon-Google 为 79.28（+3.7）。对于 WDC Computers 数据集，根据训练集大小我们取得 +0.8 至 +8.84 不等的 F1 分数提升。结合数据增强与自监督对比预训练的进一步实验表明，前者有助于较小训练集，而后者因固有标签噪声导致性能显著下降。我们由此得出结论：在具备显式监督的产品匹配用例中，对比预训练具有高潜力。
引用
@article{arxiv.2202.02098,
title = {Supervised Contrastive Learning for Product Matching},
author = {Ralph Peeters and Christian Bizer},
journal= {arXiv preprint arXiv:2202.02098},
year = {2022}
}