DOI: https://doi.org/10.1038/s41598-026-38214-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41667556
تاريخ النشر: 2026-02-10
المؤلف: Bing Lei وآخرون
الموضوع الرئيسي: تقنيات تصنيف النصوص والمستندات
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بتصنيف العناصر على منصات التجارة الإلكترونية، وخاصة التصنيف الخاطئ للعناصر بناءً على المواد الخام. يقترح المؤلفون نموذجًا مفاهيميًا يحدد الفئات والسمات للمواد الخام للعناصر، مما يسهل التسمية التلقائية للعناصر واستخراج الميزات ذات الصلة باستخدام معجم خاص بالمجال. من خلال استخدام نهج التعلم الذاتي، يحقق النموذج دقة تصنيف تبلغ 91% عند اختباره على بيانات الدقيق من منصة تجارة إلكترونية صينية.
تسلط النتائج الضوء على إنشاء أنطولوجيا مجال العناصر التي تعزز تصنيف العناصر التي تشترك في نفس المواد الخام، مما يوفر رؤى قيمة للمهنيين في مجالات المبيعات والإدارة. يقلل أسلوب التعلم الذاتي من الاعتماد على التسمية اليدوية، مما يجعله عمليًا للتطبيقات الهندسية. كما تشير الدراسة إلى أن تقنيات التعلم الآلي التقليدية يمكن أن تصنف بفعالية أوصاف النصوص القصيرة للعناصر، مما يلغي الحاجة إلى خوارزميات التعلم العميق المعقدة. ومع ذلك، تعترف الأبحاث بالقيود، مثل التباين في بيانات السمات عبر المنصات والحاجة إلى تحسين تقنيات الانحدار اللوجستي لتحسين دقة التصنيف. ستركز الأعمال المستقبلية على الدراسات المقارنة لتقييم دمج قواعد أنطولوجيا المجال مع الاستدلال الذاتي.
مقدمة
في هذا القسم، يناقش المؤلفون بناء أنطولوجيا مجال لتصنيف عناصر التجارة الإلكترونية بناءً على موادها الخام. تتضمن هذه العملية التعاون مع خبراء المجال لوضع معايير التصنيف وتطوير نموذج مفاهيمي ينظم فئات العناصر وخصائصها المرتبطة. تعمل الحالات داخل هذا النموذج كمعايير لتقييم عينات العناصر واستخراج الخصائص الدقيقة للمواد الخام. يبرز المؤلفون أهمية إنشاء معجم خاص بالمجال من خلال استخدام التعبيرات العادية لاستخراج مفردات ميزات السمات من تفاصيل العناصر المقدمة من منصات التجارة الإلكترونية المختلفة، مثل Tmall و JD. ويشيرون إلى ضرورة تعديل قواعد المطابقة لمراعاة التناقضات في عرض البيانات عبر المنصات.
علاوة على ذلك، يصف المؤلفون إثراء المعجم الخاص بالمجال من خلال تطبيق مسافة ليفنشتاين لتعزيز مطابقة الكلمات الرئيسية وتوسيع المرادفات. يهدف هذا النهج إلى تحسين تغطية العينات القياسية وتقليل الفجوات في التسمية اليدوية. كما يتناول القسم استخدام نموذج BERT المدرب مسبقًا لاستخراج الكيانات من عناوين العناصر، باستخدام مخطط تسمية BIO لتحديد وتصنيف الكيانات مثل العلامات التجارية والمواقع. من خلال تحسين نموذج BERT على مجموعة بيانات مصممة للتجارة الإلكترونية الصينية، يعزز المؤلفون دقة المصطلحات الخاصة بالمجال، مما يحسن عمليات تقسيم النص واستخراج الميزات. بشكل عام، تسهم هذه المنهجيات في إنشاء أنطولوجيا مجال أكثر قوة وشمولية لتصنيف عناصر التجارة الإلكترونية.
الطرق
في هذه الدراسة، سعى المؤلفون إلى التحقق من جدوى وفعالية نموذج تصنيف لعناصر الدقيق المستخرجة من منصات التجارة الإلكترونية عبر الزحف على الويب. لتحقيق ذلك، أجروا تجارب مقارنة لتقييم دقة نموذج التصنيف مقابل مجموعة من الأمثلة النموذجية. ركز التحليل على ضمان أن المواد الخام المختارة تقع ضمن نطاق التصنيف المحدد، وتلتزم بقواعد التعرف، وتفي بمعايير التوحيد.
شمل عملية التحقق التجريبية تقييم أداء النموذج في تصنيف عناصر الدقيق المختلفة بشكل منهجي، مما يوفر رؤى حول موثوقيته وقابليته للتطبيق في السيناريوهات الواقعية. من المتوقع أن تسهم النتائج المستخلصة من هذه التجارب في تطوير أنظمة تصنيف أكثر دقة في مجال المنتجات الغذائية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم والتحديات في تصنيف عناصر التجارة الإلكترونية، مع التركيز بشكل خاص على تصنيف المواد الخام. يستعرض مجموعة من المنهجيات المقترحة من قبل العلماء، بما في ذلك استخدام تقنيات التنعيم الإحصائي، ونماذج التعلم العميق، ونهج التعلم الذاتي لتعزيز دقة التصنيف. ومن الجدير بالذكر أن الورقة تؤكد على عدم كفاية طرق التصنيف الحالية في تصنيف العناصر بدقة بناءً على موادها الخام، مما قد يؤدي إلى تصنيف خاطئ بسبب التشابهات في وظائف العناصر أو المواد. وهذا يستلزم تطوير نموذج تصنيف جديد يستفيد من أنطولوجيا مجال العناصر لاشتقاق تسميات التصنيف بناءً على المواد الخام.
يهدف النموذج المقترح إلى تقليل التدخل البشري من خلال استخدام التعلم الذاتي لتحديد عينات العناصر القياسية واستخراج التسميات ذات الصلة تلقائيًا. تتضمن المنهجية بناء نموذج مفاهيمي لفئات العناصر وسماتها، وتحديد العينات القياسية من خلال قواعد المطابقة، وإثراء معجم خاص بالمجال باستخدام BERT لاستخراج الميزات. يتم تقييم فعالية النموذج من خلال مجموعة متنوعة من المصنفات، حيث يظهر الانحدار اللوجستي أداءً متفوقًا من حيث الدقة والاسترجاع ودرجة F1. تؤكد الأبحاث على أهمية التصنيف الدقيق في تسهيل عمليات البحث للمستهلكين وتحسين الكفاءة العامة لمنصات التجارة الإلكترونية.
DOI: https://doi.org/10.1038/s41598-026-38214-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41667556
Publication Date: 2026-02-10
Author(s): Bing Lei et al.
Primary Topic: Text and Document Classification Technologies
Overview
This research paper addresses the challenges of item classification on e-commerce platforms, particularly the misclassification of items based on raw materials. The authors propose a conceptual model that defines categories and attributes of item raw materials, facilitating the automatic labeling of items and the extraction of relevant features using a domain-specific lexicon. By employing a self-supervised learning approach, the model achieves a classification accuracy of 91% when tested on flour data from a Chinese e-commerce platform.
The findings highlight the creation of an item domain ontology that enhances the classification of items sharing the same raw materials, providing valuable insights for sales and management professionals. The self-supervised learning method reduces reliance on manual labeling, making it practical for engineering applications. The study also notes that traditional machine learning techniques can effectively classify short text descriptions of items, negating the need for complex deep learning algorithms. However, the research acknowledges limitations, such as the variability in attribute data across platforms and the need for optimization of logistic regression techniques to improve classification accuracy. Future work will focus on comparative studies to evaluate the integration of domain ontology rules with self-supervised reasoning.
Introduction
In this section, the authors discuss the construction of a domain ontology for categorizing e-commerce items based on their raw materials. This process involves collaboration with domain experts to establish categorization criteria and develop a conceptual model that organizes item categories and their associated characteristics. Instances within this model serve as benchmarks for evaluating item samples and extracting precise characteristics of raw materials. The authors highlight the importance of generating a domain-specific lexicon by utilizing regular expressions to extract attribute feature vocabulary from item details provided by various e-commerce platforms, such as Tmall and JD. They note the necessity of adapting matching rules to account for inconsistencies in data presentation across platforms.
Furthermore, the authors describe the enrichment of the domain lexicon through the application of the Levenshtein distance to enhance keyword matching and synonym expansion. This approach aims to improve the coverage of standard samples and reduce gaps in manual annotation. The section also details the use of a pre-trained BERT model for entity extraction from item titles, employing a BIO labeling scheme to identify and classify entities such as brands and locations. By fine-tuning the BERT model on a dataset tailored for Chinese e-commerce, the authors enhance the accuracy of domain-specific terminology, thereby improving text segmentation and feature extraction processes. Overall, these methodologies contribute to a more robust and comprehensive domain ontology for e-commerce item categorization.
Methods
In this study, the authors aimed to validate the feasibility and effectiveness of a classification model for flour items sourced from e-commerce platforms via web crawling. To achieve this, they conducted comparative experiments to assess the accuracy of the classification model against a set of sample examples. The analysis focused on ensuring that the selected raw materials fell within the defined classification range, adhered to recognition rules, and met standardization criteria.
The experimental validation process involved systematically evaluating the model’s performance in classifying various flour items, thereby providing insights into its reliability and applicability in real-world scenarios. The findings from these experiments are expected to contribute to the development of more accurate classification systems in the domain of food products.
Discussion
The discussion section of the research paper highlights the advancements and challenges in e-commerce item classification, particularly focusing on the classification of raw materials. It reviews various methodologies proposed by scholars, including the use of statistical smoothing techniques, deep learning models, and self-supervised learning approaches to enhance classification accuracy. Notably, the paper emphasizes the inadequacy of current classification methods in accurately categorizing items based on their raw materials, which can lead to misclassification due to similarities in item functions or materials. This necessitates the development of a new classification model that leverages item domain ontology to derive classification labels based on raw materials.
The proposed model aims to minimize human intervention by utilizing self-supervised learning to identify standardized item samples and extract relevant labels automatically. The methodology involves constructing a conceptual model of item categories and attributes, identifying standardized samples through correspondence rules, and enriching a domain-specific lexicon using BERT for feature extraction. The model’s effectiveness is evaluated through various classifiers, with logistic regression demonstrating superior performance in terms of precision, recall, and F1 score. The research underscores the importance of accurate classification in facilitating consumer searches and improving the overall efficiency of e-commerce platforms.