资讯摘要
论文提出一套将短小含噪零售商品名编码到消费价格类别的规则加词袋流程，并发布含六类、字符级噪声与难负样本的合成基准。作者报告字符 n-gram 逻辑回归在各类别最准确，优于其他从零训练模型；微调 DistilBERT 接近但未超越，推理成本约为其 460 倍。标签聚合模拟显示 Dawid-Skene 明显优于多数投票。
要点速读
- 发布六类别合成基准，含字符级噪声与难负样本，因生产数据受保密限制而使用合成英文数据
- 字符 n-gram 逻辑回归在每个类别最准确，并在所有配对比较中胜过其他从零训练模型
- 规则前缀树阶段放行 75-86% 正样本，在级联中限制整体召回；代码、数据与脚本已公开
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:06:31（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。