Hledání architektur neuronových sítí v úloze mapování produktů

Abstract

In this thesis, we will focus on product mapping task, which consists of identifying the same products from different E-commerce. In detail we will describe size and con- tent of existing product mapping datasets. Our approach utilizes neural networks to determine if a pair of products matches. For training these neural networks we will use ProMap datasets. Since the performance of fully trained neural networks is also de- pendent on network's architecture, we will describe different neuron architecture search strategies. We compare the best neural networks found by different strategies against traditionally designed neural networks architecture which we performed using the grid search method. For the experiments we have chosen random search, NEAT, Hyper- NEAT, ES-HyperNEAT and CoDeepNEAT strategies. Our experiments showed that most of the chosen strategies achieved comparable or slightly better results than tradi- tionally designed architecture with the best strategies being the NEAT and CoDeepNEAT strategies.

V této práci se zaměřujeme na úlohu mapování produktů. Jedná se o identifikaci shod- ných produktů napříč různými e-shopy. Detailně popíšeme velikost a obsah existujících datasetů určených pro tuto úlohu. Pro rozhodování o shodnosti dvojic produktů použi- jeme neuronové sítě. Jelikož je přesnost neuronových sítí ovlivněna i její architekturou, v této práci popíšeme různé strategie určené pro hledání architektur neuronových sítí. Pro naše experimenty jsme si zvolili strategie random search, NEAT, HyperNEAT, ES- HyperNEAT a CoDeepNEAT. Výsledky těchto strategií porovnáme s tradičním návrhem architektury, kterou jsme provedli pomocí metody grid search. Výsledky experimentu uká- zaly, že většina vybraných strategií dosáhla srovnatelných nebo mírně lepších výsledků než tradičně navržené architektury. Mezi nejlepší strategie patřily NEAT a CoDeepNEAT.