[论文解读] Automatic Generation of Chinese Short Product Titles for Mobile Display

Yu Gong, Xusheng Luo+4 more|arXiv (Cornell University)|Mar 30, 2018

Natural Language Processing Techniques参考文献 22被引用 6

一句话总结

本文提出了一种用于中文电商商品标题抽取式摘要的特征增强神经网络模型，结合双向LSTM、TF-IDF得分和命名实体识别（NER）标签，生成长度在10个字符以内的简洁、可读性强的短标题。该模型在ROUGE-1 F1指标上达到0.725，且在A/B测试中使在线销售额提升2.31%，显著优于基线模型。

ABSTRACT

This paper studies the problem of automatically extracting a short title from a manually written longer description of E-commerce products for display on mobile devices. It is a new extractive summarization problem on short text inputs, for which we propose a feature-enriched network model, combining three different categories of features in parallel. Experimental results show that our framework significantly outperforms several baselines by a substantial gain of 4.5%. Moreover, we produce an extractive summarization dataset for E-commerce short texts and will release it to the research community.

研究动机与目标

• 为解决在移动端设备上因标题过长导致截断后产生难以理解的碎片化内容的问题。
• 开发一种抽取式摘要框架，在最小化长度的同时保留关键商品属性，以提升移动端可用性。
• 构建一个公开可用的短商品标题标注数据集，以支持电商文本摘要研究。
• 通过生成反映核心商品特征的短标题，改善用户体验和转化率。

提出的方法

• 模型使用深度双向LSTM编码器，捕捉输入标题中的序列依赖关系。
• 并行集成三类特征：词级语义特征（TF-IDF得分）、命名实体识别（NER）标签，以及来自BiLSTM的上下文表征。
• 采用具有可微解码的指针网络，从输入中选择相关词语生成输出摘要。
• 通过交叉熵损失函数端到端训练模型，以优化词语选择。
• 框架引入注意力机制，对重要词语（尤其是品类词和修饰词）进行加权。
• 在淘宝移动端应用中部署A/B测试，评估实际性能表现。

实验结果

研究问题

• RQ1 结合深度神经网络与显式语义特征的混合模型，能否提升短电商商品标题的抽取式摘要效果？
• RQ2 TF-IDF得分与NER标签的整合，在识别短标题生成中关键词语方面是否有效？
• RQ3 在严格长度限制下，所提模型是否能优于强基线模型，生成更简洁、可读且信息丰富的短标题？
• RQ4 该模型在真实电商应用场景中，对用户参与度和转化率的提升程度如何？

主要发现

• 所提出的特征增强神经网络模型在ROUGE-1 F1指标上达到0.725，相比强基线模型显著提升4.5%。
• 在双十一大促期间为期5天的A/B测试中，该模型使在线销售额提升2.31%，转化率提升1.22%。
• 人工标注的短标题优先选择品类词（如“连衣裙”）和关键描述词（如“船型领”），该模型成功捕捉了这些特征。
• 模型有效利用注意力机制突出重要术语，如“皮夹克”和“蛇纹”，这些术语同时具有较高的TF-IDF得分和注意力权重。
• 基线模型如BiLSTM-Net常遗漏关键属性或包含冗余词（如品牌名），而所提模型有效避免了此类错误。
• 模型在处理语义相近术语（如“夹克”与“皮夹克”）时仍有改进空间，存在两者被不必要地同时保留的问题。