Termékpárosítás machine learning eszközökkel

Péter Seprenyi; Virgo Systems Kft.

Ákos Gordon; Virgo Systems Kft.

Tünde Tarczali; Pannon Egyetem, Rendszer- és Számítástudományi Tanszék

NETWORKSHOP

2025-10-25 09:20:07

Az e-kereskedelmi rendszerek egyik központi kihívása a különböző forrásokból származó termékleírások automatikus összevetése és azonosítása. Jelen közlemény egy RePrice nevű hibrid termékpárosító rendszert mutat be, amely szöveges jellemzők, strukturált attribútumok és képi információk együttes feldolgozásával végzi az egyezésvizsgálatot.A módszert különböző e-kereskedelmi platformokon végzett kísérletek során értékeltük, amelyek azt mutatják, hogy a kombinált megközelítés jelentősen javítja a párosítási pontosságot a kizárólag szövegalapú vagy képalapú modellekhez képest. Az eredmények azt jelzik, hogy a RePrice rendszer hatékonyan alkalmazható dinamikus árfigyelő és versenytárselemző rendszerek fejlesztésében.Kulcsszavak: termék párosítás, árazási intelligencia, gépi tanulás, CLIP (Contrastive Language-Image Pre-Training) modell, e-kereskedelmi adat integráció Product Matching with Machine Learning ToolsOne of the central challenges in e-commerce is the automatic identification of whether different product listings from various sources refer to the same real-world item. This paper presents RePrice, a hybrid product matching system that integrates textual features, structured attributes, and visual data for comprehensive similarity analysis. The proposed method was evaluated through experiments conducted on multiple e-commerce platforms. Results demonstrate that the hybrid approach significantly outperforms models relying solely on textual or image-based information. These findings suggest that the RePrice system can be effectively utilized in the development of dynamic price monitoringand competitor intelligence applications.Keywords: product matching, price intelligence, machine learning, CLIP (ContrastiveLanguage-Image Pre-Training) model, e-commerce data integration https://doi.org/10.31915/NWS.2025.11

magyar

Peer-reviewed Paper

http://ocs.mtak.hu/index.php/nws/2025/paper/view/197

NETWORKSHOP; Networkshop 2025

Authors who submit to this conference agree to the following terms:<br/> <strong>a)</strong>&nbsp;Authors retain copyright over their work, while allowing the conference to place this unpublished work under a <a href="http://creativecommons.org/licenses/by/3.0/">Creative Commons Attribution License</a>, which allows others to freely access, use, and share the work, with an acknowledgement of the work's authorship and its initial presentation at this conference.<br/> <strong>b)</strong>&nbsp;Authors are able to waive the terms of the CC license and enter into separate, additional contractual arrangements for the non-exclusive distribution and subsequent publication of this work (e.g., publish a revised version in a journal, post it to an institutional repository or publish it in a book), with an acknowledgement of its initial presentation at this conference.<br/> <strong>c)</strong>&nbsp;In addition, authors are encouraged to post and share their work online (e.g., in institutional repositories or on their website) at any point before and after the conference.