Enfoque Unificado de IA Utilizando Modelos de Lenguaje Grandes de Codificación y Generativos para la Coincidencia de...

Área de la Ciencia:

• Inteligencia Artificial
• Tecnología de Comercio Electrónico
• Ciencia de Datos

Sus antecedentes:

• La resolución de entidades tradicional se centra en coincidencias de productos idénticos, descuidando las relaciones de variantes cruciales en el comercio electrónico.
• La identificación de productos similares, no idénticos, es vital para aplicaciones como reseñas compartidas y listados de páginas web.

Objetivo del estudio:

• Introducir una nueva estrategia de resolución de entidades para las relaciones de productos variantes.
• Identificar con precisión pares de productos variantes y sus atributos distintivos en catálogos de comercio electrónico.

Principales métodos:

• Desarrolló la estrategia de coincidencia de relaciones de variantes (VARM).
• Construyó un conjunto de datos de enlaces de productos de páginas web para entrenar un modelo de lenguaje grande (LLM) de codificación.
• Empleó LLM generativos con indicaciones de generación aumentada por recuperación para extraer variaciones y similitudes de productos.

Principales resultados:

• VARM identifica con éxito coincidencias de productos variantes y sus atributos variables.
• La estrategia supera a las soluciones alternativas en datos del mundo real de comercio electrónico.
• Demostró la efectividad de combinar IA de codificación y generativa para esta tarea.

Conclusiones:

• VARM establece un nuevo estándar para la resolución de entidades de comercio electrónico al capturar enlaces de productos variantes.
• Este enfoque permite una mejor explotación de las relaciones complejas de productos.
• Los hallazgos tienen implicaciones significativas para la gestión de datos y la experiencia del usuario en el comercio electrónico.