Comparação de arquiteturas de redes neurais em NER para E-commerce brasileiro

Abstract

Nas plataformas de e-commerce a busca é a etapa mais importante para achar seus produtos, por isso a importância de pesquisas visando sua melhoria, uma das formas de fazer essa melhoria é o uso de query understanding (QU). O QU compreende um conjunto de processos que geralmente ocorrem antes das etapas principais de recuperação de documentos. Assim, o QU é fundamental para classificar e reescrever consultas quando se trata de sistemas de grande volume, como é o caso do domínio de e-commerce, especialmente quando seu foco é enriquecer a entrada fornecida. O Reconhecimento de Entidades Nomeadas (NER) é uma das partes mais importantes do entendimento de consultas, dentre outras etapas de processamento de linguagem natural (PLN). O principal objetivo do NER é possibilitar saber quais entidades ou classes estão presentes em uma consulta. Neste artigo, diferentes tipos de técnicas para NER são avaliados em um conjunto de dados de e-commerce em português, com foco em aspectos práticos para uso industrial. Neste trabalho, serão avaliadas diferentes redes neurais, como CNN do framework Spacy, as redes BI-LSTM-CRF, BI-GRU-CRF do framework PyTorch e diferentes métodos de embbedings, alcançando resultados satisfatórios como 0,97 de f1-score na base de testes.