Estás leyendo la publicación: Amazon AI presenta ‘PAVE’: un novedoso modelo de aprendizaje por refuerzo que utiliza el formalismo Lazy-MDP para mejorar la recuperación de los modelos de extracción de atributos del producto
Millones de productos están disponibles en los catálogos de las tiendas de comercio electrónico. Una parte significativa de estos productos está listada por proveedores independientes. A menudo hay errores en la información enumerada causados por la escasa competencia lingüística de los proveedores, la falta de una comprensión integral de los clientes internacionales y las discrepancias entre las interpretaciones de los proveedores y del comercio electrónico. Esto da como resultado información inexacta sobre los atributos del producto, lo que no satisface a los clientes.
Los estudios muestran que este problema se puede abordar si los datos están disponibles como campos de texto libre extraíbles, como títulos, viñetas o imágenes. Muchos han transformado el problema de la extracción de atributos (AE) de los perfiles de productos utilizando métodos convencionales como la extracción de información o la clasificación de textos como una tarea de lenguaje natural. Sin embargo, debido a:
- Información incorrecta o faltante en los perfiles de productos.
- Errores de generalización.
- Umbral de confianza para operar con alta precisión, estos modelos suelen operar con alta precisión pero pueden producir poca recuperación, especialmente en atributos con un vocabulario abierto.
Una investigación reciente de Amazon propone PAVE: Product Attribute Value Ensemble como Lazy-MDP, un modelo de conjunto novedoso que utiliza el aprendizaje por refuerzo (RL) que aumenta la recuperación de los modelos AE convencionales sin sacrificar la precisión, como solución a este problema.
El agente de RL capacitado emite el mejor valor después de escanear ociosamente a través de cada producto vecino para determinar si el valor del atributo vecino es útil o no. El equipo afirma que este método escala bien y se generaliza de manera efectiva a cualidades desconocidas. Además de manejar el ruido para mantener la precisión, el método también es compatible con la longitud vecina dinámica.
Como se menciona en su artículo, “PAVE: Conjunto basado en Lazy-MDP para mejorar la recuperación de los modelos de extracción de atributos del producto”, primero aplican RL en la extracción de atributos del producto. Luego proponen varias técnicas de vanguardia para abordar los problemas antes mencionados con enfoques convencionales.
Los investigadores entrenan una red de políticas que aprende a seleccionar el valor correcto de la secuencia a través de la optimización de políticas proximales. Probaron su modelo contra líneas de base sólidas, incluidos modelos AE basados en BERT y varios enfoques de conjunto utilizando conjuntos de datos de comercio electrónico del mundo real. Los resultados demuestran que esta estrategia supera a los modelos AE para características cerradas e incluso métodos de agregación simples como el vecino más cercano, el voto mayoritario y los conjuntos de clasificadores binarios. Con una elevación promedio del 10,3 % y sin pérdida de precisión, notaron una ganancia constante en la recuperación en todos los atributos abiertos en comparación con los modelos AE tradicionales.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘PAVE: conjunto basado en Lazy-MDP para mejorar el recuerdo de los modelos de extracción de atributos del producto‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
