Multi-class categorization of user-generated content in a domain specific medium : inferring product specifications from e-commerce marketplaces

Abstract

Pazaryeri, ürün ve envanter bilgilerinin çeşitli üçüncü taraflarca sağlandığı, katalog hizmetinin verildiği ve ödemelerin piyasa operatörü tarafından yönetildiği bir e-ticaret aracıdır. Pazaryerlerinin kullanımının artmasının bir sonucu olarak, e-ticaret olanağına şimdi herkes tarafından erişilebilmektedir. Bununla birlikte hem satıcı sayısı hem de ürün sayısı katlanarak artmıştır ve artmaktadır. Bu büyüme, “Ürün açıklaması, ürünün gerçek özelliklerini yansıtıyor mu?”, “Satıcı ürüne gerçekten sahip mi?”, “Bu ürün çevrimiçi satın almak için yasal mı?”, “Bu ürün doğru tür altında mı listeleniyor?” gibi bazı sorular sormamıza neden oluyor. Çoğu ülkede e-ticaret etkin olarak kullanıldığından, bu tür sorunlar yasal yaptırımlara veya satıcının etkinliklerinin tümüyle yasaklanmasına neden olabilir. Bu çalışmada, e-ticaret kullanıcısı tarafından oluşturulan içeriği kullanarak ürünün türünü belirleyen bir yöntem sunuyoruz, böylece belirli ürünlerin proaktif olarak kaldırılmasını otomatikleştiriyoruz. Yöntemimiz veri toplama, veri temizliği ve tür belirleme olarak üç ana işlemden oluşan bir sistem önermektedir. Bu çalışmada; yapılandırılmamış metni, yapay öğrenmeye hazır veri kümesi hazırlama aşamasında sözcüklerin vektörel temsillerine dönüştürüyoruz. Yapay zekâ modellerini yarım milyondan fazla ürün bilgisi içeren geniş bir metin yelpazesiyle eğitiyoruz. Son olarak, sonuçlarımızı farklı sınıflandırma algoritmaları ve vektör temsil yöntemleriyle karşılaştırdık. Sonuç olarak, ürün kategorilerinin kullanıcı tarafından oluşturulan, yazım hataları, özel noktalama işaretleri ve kısaltmalar içerebilen, denetlenmeyen bir e-ticaret sitesinden elde edilen bir metinden 0.86 F-score gibi performansla çıkartılabileceğini gösterdik.

A marketplace is an e-commerce medium where product and inventory information is provided by varying third parties, whereas catalog service is hosted, and payments are processed by the marketplace operator. As a result of the increasing use of marketplaces, e-commerce capabilities can now be accessed by everyone. Consequently, both the number of merchants and products have been growing exponentially. Such growth raises some problems including “Does product description reflect specifications of the real one?”, “Does the seller really own the product?”, “Is this product legal for purchasing online?”, “Is this product listed under correct category?”. These problems can lead to penalties or complete close-down of the merchant as e-commerce business is regulated in most countries. We propose a methodology to detect an accurate product category from user-generated content on e-commerce marketplaces, so that proactive removal of certain products can be automated. We present our methodology as a complete system that incorporates data collection, cleaning, and categorization. In this work, we transform unstructured text into vector representations of words during machine-learning-ready dataset preparation stage. We train ML models by a large corpus of text which includes more than half a million product descriptions. Finally, we compare our results in alternate classification algorithms and varying methodologies of vector representations. We showed that accurate predictions of text categories reaching 0.86 F-score can be obtained from user-generated text that may contain typos, special punctuation, and abbreviations, and comes from a non-moderated e-commerce medium.