摘要
近年来，对比学习（contrastive learning）在计算机视觉和信息检索等多个任务中显著推动了技术前沿的发展。本海报首次将监督式对比学习（supervised contrastive learning）应用于电子商务中的商品匹配任务，所使用的数据来自不同电商平台的商品报价信息。具体而言，我们采用监督式对比学习方法对Transformer编码器进行预训练，随后利用成对样本训练数据对该编码器进行微调，以完成商品匹配任务。此外，我们提出了一种“源感知采样策略”（source-aware sampling strategy），使得对比学习能够应用于训练数据中不包含商品标识符的场景。实验结果表明，结合监督式对比预训练与源感知采样策略，在多个广泛使用的基准数据集上显著提升了当前最优性能：在Abt-Buy数据集上，F1分数达到94.29，较之前最优结果提升3.24；在Amazon-Google数据集上，F1分数达到79.28，提升3.7；在WDC Computers数据集中，F1分数提升介于0.8至8.84之间，具体提升幅度取决于训练集规模。进一步的实验还考察了数据增强与自监督对比预训练的效果，结果表明，数据增强对小规模训练集具有一定帮助，而自监督对比预训练则因数据中固有的标签噪声导致性能显著下降。因此，我们得出结论：在存在明确监督信号的场景下，对比预训练在商品匹配任务中具有巨大应用潜力。