.png){kind=icon}
返回
A Multitask Learning Aspect-Based Model for Product Defect Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TEM.2025.3591548.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
产品缺陷检测（PDD）是一种关键性的工业大数据应用，它利用社交媒体文本挖掘来识别产品缺陷。然而，现有的PDD方法面临重大挑战：过度依赖专家驱动的方面术语提取（ATE）限制了可扩展性并增加了成本，且无法捕捉受影响方面、缺陷原因和严重性等详细缺陷信息。为解决这些局限性，本研究提出了一种新颖的多任务学习框架，整合了ATE和方面级缺陷检测。通过增强ATE的语义增强，该模型降低了专家依赖并有效扩展。在汽车数据集上的实验表明，所提出的方法相比基准模型将F1分数提高了5%（达到0.88）。此外，消融研究显示ATE组件的F1分数提升了36.5%。所提出的方法优于基准PDD模型，并提供更细粒度的缺陷信息，从而实现更全面的了解，并支持质量管理中的精确决策制定。
Keyword:
Failure mode and effects analysis (FMEA)
multitask learning
product defect detection (PDD)
quality management
text-mining
期刊
IF:
5.2
论文数:
436
被引数:
1.2W
机构
引用论文
A review of social media-based public opinion analyses: Challenges and recommendations.png)
TECHNOLOGY IN SOCIETY
TECHNOLOGY IN SOCIETYIF12.5
PREAI
分享收藏
查看更多内容