A Content Based E-Commerce Dataset Recommendation System Using BERT and Named Entity Recognition
Notice bibliographique
Résumé
Existing dataset recommendation (rec) systems including those named as ZhangRec23, WangRec22, and GDS19, face certain limitations, such as lack of focus on e-commerce datasets, inability to address complex queries, and reliance on inconsistent metadata (e.g., data structure of domain of products being recommended). This leads to incomplete or mismatched results returned by the system for complex query searches, such as "impact of seasonal sales on customer reviews for electronics". These traditional dataset rec systems rely on simple keyword matching, failing to interpret context-sensitive queries that researchers often need, and are unable to capture the dynamic trends in the e-commerce domain. This highlights the need for an advanced dataset rec system that improves metadata quality and integrates semantic understanding to recommend precise and relevant e-commerce datasets to researchers. This paper proposes an E-commerce Datasets Mining Rec System (EDMRec), an adaptation of ZhangRec23 approach. EDMRec combines content-based filtering, advanced metadata processing, and machine learning approach in a three-layered structure involving (i) Data Collection, (ii)Data Processing, and (iii) Query Processing. It utilizes Named Entity Recognition (NER) to complete metadata and uses TF-IDF with Bidirectional Encoder Representations from Transformers (BERT) embeddings to capture both keyword relevance and semantic context, enhancing recommendation precision for complex queries. Experimental results show that EDMRec improves precision, recall, and F1 score by 15% over existing systems, consistently providing contextually accurate recommendations across 4,373 metadata entries from sources such as Kaggle and Google Dataset Search, making it well-suited for supporting data-driven insights in e-commerce.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».