ترجمه فارسی مقاله گرافیت: یک طبقه‌بندی‌کننده متن کوتاه چندبرچسبی افراطی مبتنی بر گراف برای توصیه عبارت کلیدی

چکیده

Keyphrase Recommendation has been a pivotal problem in advertising and e-commerce where advertisers/sellers are recommended keyphrases (search queries) to bid on to increase their sales. It is a challenging task due to the plethora of items shown on online platforms and various possible queries that users search while showing varying interest in the displayed items. Moreover, query/keyphrase recommendations need to be made in real-time and in a resource-constrained environment. This problem can be framed as an Extreme Multi-label (XML) Short text classification by tagging the input text with keywords as labels. Traditional neural network models are either infeasible or have slower inference latency due to large label spaces. We present Graphite, a graph-based classifier model that provides real-time keyphrase recommendations that are on par with standard text classification models. Furthermore, it doesn’t utilize GPU resources, which can be limited in production environments. Due to its lightweight nature and smaller footprint, it can train on very large datasets, where state-of-the-art XML models fail due to extreme resource requirements. Graphite is deterministic, transparent, and intrinsically more interpretable than neural network-based models. We present a comprehensive analysis of our model’s performance across forty categories spanning eBay’s English-speaking sites.

چکیده به فارسی (ترجمه ماشینی)

توصیه KeyPhrase یک مشکل مهم در تبلیغات و تجارت الکترونیکی بوده است که در آن تبلیغ کنندگان/فروشندگان توصیه می شوند که کلید های کلید (پرس و جوهای جستجو) برای افزایش فروش خود پیشنهاد دهند.این یک کار چالش برانگیز به دلیل تعداد زیادی از موارد نشان داده شده در سیستم عامل های آنلاین و نمایش داده های مختلف ممکن است که کاربران در هنگام نشان دادن علاقه متفاوت به موارد نمایش داده شده جستجو می کنند.علاوه بر این ، توصیه های پرس و جو/کلید کلید باید در زمان واقعی و در یک محیط محدود شده از منابع ارائه شود.این مشکل را می توان به عنوان یک طبقه بندی متن کوتاه چند برچسب (XML) با برچسب زدن متن ورودی با کلمات کلیدی به عنوان برچسب ، قاب بندی کرد.مدل های شبکه عصبی سنتی یا غیرقابل نفوذ هستند یا به دلیل فضاهای بزرگ برچسب ، تأخیر استنباط کندتر دارند.ما گرافیت ، یک مدل طبقه بندی کننده مبتنی بر نمودار را ارائه می دهیم که توصیه های کلید کلید در زمان واقعی را ارائه می دهد که مطابق با مدل های طبقه بندی متن استاندارد است.علاوه بر این ، از منابع GPU استفاده نمی کند ، که می تواند در محیط های تولید محدود باشد.با توجه به ماهیت سبک و ردپای کوچکتر ، می تواند در مجموعه داده های بسیار بزرگی آموزش ببیند ، جایی که مدل های پیشرفته XML به دلیل نیازهای منابع شدید از بین می روند.گرافیت قطعی ، شفاف و ذاتاً قابل تفسیر از مدلهای مبتنی بر شبکه عصبی است.ما یک تجزیه و تحلیل جامع از عملکرد مدل خود در چهل دسته از سایت های انگلیسی زبان Ebay ارائه می دهیم.