Classificação de produtos utilizando técnicas few-shot learning

• Ano de defesa: 2022
• Autor(a) principal: Chaves, Aleson Gleik Silva
• Orientador(a): Barbosa, Bruno Henrique Groenner
• Banca de defesa: Zegarra Rodriguez, Demostenes, Vitor, Giovani Bernardes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Comércio eletrônico; Processamento de linguagem natural; Aprendizado de máquina; Redes neurais artificiais; Few-Shot learning; E-commerce; Natural language processing; Machine learning; Artificial neural networks
• Área do conhecimento CNPq: Ciência da computação
• Link de acesso: https://repositorio.ufla.br/handle/1/50705

As plataformas de comércio eletrônico (marketplaces) recebem diariamente milhares de produtos pertencentes a classes novas que não participaram do processo de treinamento do algoritmo responsável por automatizar a classificação de produtos. O retreinamento com estas classes novas é uma necessidade, pois a categorização incorreta de produtos nos marketplaces pode levar o consumidor a experiências desagradáveis no processo de compra. Porém, é difícil a constante atualização do sistema com estes produtos, pois o custo de retreinamento dos classificadores atualmente em operação é elevado devido à grande dimensão das bases de dados. A proposta apresentada neste trabalho é a utilização de classificadores de produtos que utilizam algoritmos do tipo few-shot learning, que são capazes de serem treinados com uma ou com poucas amostras por classes. Estes possuem treinamento rápido e necessitam de base de dados em dimensão reduzida. Os algoritmos testados foram: k-vizinhos mais próximos (KNN), redes Matching Networks (MN) e as redes DPGN (Distribuition Propagation Graph Network). Os algoritmos propostos para classificação de produtos utilizam características previamente extraídas a partir do processo de transfer learning, exceto para as redes matching com encoder contendo uma rede Bi-LSTM que recebe dados em linguagem natural extraídos por algoritmos embeddings. Os algoritmos foram testados com validação cruzada do tipo leave one out e k-fold. Também foi realizada a seleção das melhores características da base, possibilitando a redução de dimensão das mesmas, facilitando treinamento das redes neurais com few-shot learning. Foram utilizadas duas bases de dados para os testes, uma contendo 34 classes e 394 amostras e outra que possui 312 classes e 3120 amostras. O KNN foi utilizado como baseline do projeto e, apesar da simplicidade e não necessidade de treinamento, apresentou resultado satisfatório. As redes matching e DPGN ambas apresentaram resultados com 96,85% de acurácia conseguindo superar o KNN utilizando a base de dados com 34 classes e para a base de dados com 312 classes o melhor resultado foi obtido pelas redes matching com 93,78% de acurácia. A abordagem proposta de classificação de produtos pertencentes a classes novas traz como contribuição a correta categorização e a manutenção da acurácia exigida em marketplaces, sem a necessidade do retreinamento constante dos classificadores atualmente em operação. Isso pode trazer uma redução significativa de custo de uso do servidor em nuvem e melhores experiências de compras para os clientes.