EAVE: Efficient Product Attribute Value Extraction via Lightweight Sparse-layer Interaction

产品属性值提取涉及从产品概况中识别与各种属性相关联的具体值。虽然现有方法通常优先开发有效的模型以提高提取性能，但对于提取效率却有限关注。然而，在实际场景中，产品通常与多个属性相关联，需要多次提取以获取所有相应的值。在这项工作中，我们提出了一种通过轻量级稀疏层交互来实现高效产品属性值提取（EAVE）的方法。具体而言，我们采用重编码器分别对产品上下文和属性进行编码。上下文的非交互重表示可以被缓存和重复使用于所有属性。此外，我们引入轻编码器来联合编码上下文和属性，促进它们之间的轻量级交互。为了丰富轻编码器中的交互，我们设计了一个稀疏层交互模块，将非交互重表示融合到轻编码器中。在两个基准测试中的全面评估表明，我们的方法在上下文较长且属性数量较多时实现了显着的效率提升，而性能损失中性或边缘。我们的代码可以在\href{https://anonymous.4open.science/r/EAVE-EA18}{这里}找到。

本文旨在提高产品属性值提取的效率，解决在实际应用中需要多次提取的问题。

通过使用重编码器和轻编码器分别编码产品上下文和属性，并使用稀疏层交互模块将两者融合，以实现高效提取。

本文提出的EAVE方法在处理长上下文和多个属性时具有显著的效率提升，而性能损失较小。实验使用两个基准数据集进行了全面评估，并提供了可用的代码。

最近的相关研究包括：《Product Attribute Extraction via Convolutional Neural Networks》、《Multi-Task Learning for Product Attribute Classification and Value Extraction》等。