Eine empirische Vergleichsstudie generativer Ansätze zur Identifikation von Produktattributen und -werten

Produkteigenschaften sind für E-Commerce-Plattformen von entscheidender Bedeutung und unterstützen Anwendungen wie Suche, Empfehlung und Fragebeantwortung. Die Aufgabe der Identifikation von Produkteigenschaften und deren Werten (PAVI) besteht darin, sowohl Eigenschaften als auch ihre Werte aus Produktinformationen zu identifizieren. In dieser Arbeit formulieren wir PAVI als Generierungsaufgabe und liefern, soweit wir wissen, die umfassendste Bewertung von PAVI bislang. Wir vergleichen drei verschiedene Strategien zur Generierung von Eigenschaft-Wert-Paaren (AVG), die auf drei Datensätzen durch Feinabstimmung von Encoder-Decoder-Modellen basieren. Experimente zeigen, dass der end-to-end AVG-Ansatz, der rechnerisch effizient ist, andere Strategien übertrifft. Allerdings gibt es Unterschiede je nach Modellgröße und zugrundeliegendem Sprachmodell. Der Code zur Reproduktion aller Experimente ist unter folgendem Link verfügbar: https://github.com/kassemsabeh/pavi-avg