【应用】构建亚马逊电商的零售商品知识体系
【领域】Graph-based database models
【文章要点】
1. 该系统包含了一套新颖的分类法构建、产品特性识别、知识提取、异常检测和同义词发现技术。
2. AutoKnow是(a)自动性，几乎不需要人工干预，(b)可拓展性，在多个维度上可拓展(许多领域、许多产品和许多属性)，以及(c)综合性，利用丰富的客户行为日志。
3. AutoKnow的基本业务示例
4. 构建商品KG遇到的挑战：1） 结构稀疏性：分类繁多，每个零售商的分类不一样 2） 领域复杂性：类间关系复杂，如子类，同义，包含与覆盖，商品的类别关系还随时间变化 3）商品种类多样
5. 首先，我们利用自然应用于知识图的图结构(实体可视为节点，关系可视为边)和分类法(树形结构)，并应用图学习的神经网络(GNN)。
其次，我们将产品分类作为输入信号来训练我们的模型，并将我们的任务与产品分类结合起来进行多任务训练，以获得更好的性能。
第三，我们努力用有限的标签来学习，以减轻手工训练数据创建的负担，依赖弱监督(例如，远程监督)和半监督学习。
第四，我们从零售领域中大量的客户行为日志中为相同的概念(例如，类型、属性值)挖掘事实和异构表达式。
6. 问题定义：商品编目： C = (τ, A, P) 。商品分类τ= (T,H)，T商品类型，H表示T的上位词关系； A商品属性； 每个商品的属性P ={PID, {T }, {(A,V )}}。L用户行为日志。 商品知识发现的输入是C和L
7. 系统结构：
8. 结构说明：
Ontology： 分类和关系发现
Data Suit： 数据注入、数据清理和同义词发现
9. 分类Taxonomy Enrichment：难点——发现新类别并并新类别与现有的分类编目相关联
发现新类别的方式：（有监督的实体发现，BIOE）从商品标题中发现，从用户搜索中提取
关系关联：二分类问题，使用GNN捕捉用户行为。特别地，我们首先构造一个图，其中节点表示类型、产品和查询，边表示各种关系，包括1)共同查看产品， 2)导致购买产品的查询，3)查询或产品中提到的类型(根据提取)。然后得到节点的表征。最后将表征输入分类器。同理，该方式也是基于有监督。
10. 关系发现Relation Discovery：识别适用和重要的属性，挖掘T和A的关系。使用随机森林。
11. 结果例子：
