WSDMJan, 2019

电商问答中基于产品的答案生成

PDF
TL;DR本文提出了一种名为 PAAG 的基于对抗学习的模型来解决电子商务中针对产品相关问题的答案生成问题，其中包括通过大规模未标注的电子商务评论和产品属性生成准确且完整的答案。在一个大规模的真实电子商务数据集上进行的广泛实验验证了我们模型中每个模块的有效性，并且我们的实验表明，我们的模型在自动指标和人工评估方面均实现了最先进的性能。
e-commerceanswer generationreviewsproduct attributesadversarial learning
发现论文，激发创造
  • 电子商务问答系统的有意义答案生成

    本文研究了电子商务问答系统，并提出了一个基于神经模型的产品答案生成器，该模型综合了产品评价、产品属性和答案原型以产生有意义、多样化的答案。在真实世界的数据集上测试表明，该模型性能优越，能够生成特定和适当的答复。

    Nov, 2020

  • 电子商务中基于评论驱动的问答系统的意见感知答案生成

    本文提出了一种基于统一模型的答案生成方法，通过 opinion mining 解决 product-related question answering 中因个人意见多样性带来的挑战，实现 opinion-aware 答案生成，并通过多视角 pointer-generator 网络实现答案生成和意见挖掘任务之间的联合学习和意见融合策略，取得了在实际 E-Commerce QA 数据集中优越表现。

    Aug, 2020

  • 电商产品相关问题的评论驱动答案生成

    本文提出了一种基于评论的框架，在电子商务中回答有关产品相关问题的研究。我们开发了一种名为 RAGE 的框架，采用多层卷积结构，从评论中提取与问题相关的信息，实现了更快速和准确的回答生成。在两个真实的电子商务数据集上的实验证明了 RAGE 显著优于现有的替代方案，所生成的自然语言回答更准确、更丰富，而且 RAGE 模型的训练和回答生成所需的时间也较少。

    Apr, 2019

  • 基于评论的自适应实例迁移和增强的问题生成

    本文提出了一种通过提取无人监督学习的相关特征，利用用户提问答案数据的迭代学习框架，用于通过生成问题的方式来挖掘在线评论中的信息，从而对商品和服务进行评价。实验表明，该框架的有效性以及新任务的有用性。

    Nov, 2019

  • 将外部知识融入生成式阅读理解中的问答

    本文提出了一种新的神经网络模型 KEAG，该模型利用外部知识解决 QA 问题，能够比现有的知识感知 QA 模型生成更高质量的答案，并证明其在利用知识方面的有效性。

    Sep, 2019

  • 通过生成问题和答案对自动化阅读理解

    本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。

    Mar, 2018

  • 利用其他具有上下文相似性的产品的问题回答产品问题

    本论文提出了一种新型的预测产品相关问题答案的方法，该方法基于相似问题以及相似产品的答案来进行判断，并使用专家混合模型框架聚合答案来提高预测准确率。经实证结果表明，该模型在某些问题的表现优于强基线，而且我们还出版了两个大规模数据集用于支持我们的方法。

    May, 2021

  • AmazonQA：一项基于评论的问答任务

    该研究提出了基于评论的问答系统，并介绍了一个新的数据集和结合信息检索和阅读理解模型的方法以生成答案。研究评估了许多答案生成模型并提出了强有力的基线，证明了这个新任务的挑战性。

    Aug, 2019

  • 电商产品问答：一项调查

    本文系统地回顾现有的产品问答研究，将 PQA 研究分为四种问题设置，并分析了各种设置的优缺点、现有数据集和评估协议。同时，作者总结了 PQA 所特有的最重要的挑战，并讨论了它们对应的解决方案和未来研究方向。

    Feb, 2023

  • 电子商务中基于评论引导的有用答案识别

    本文提出了一种基于评论引导的答案有用性预测模型，该模型不仅考虑了 QA 对之间的交互，还探讨了答案与众筹意见之间的意见连贯性作为识别有用答案的另一个重要因素，并探索了利用预训练策略将从一个特定设计的经过训练的网络中获得的文本推理知识转移的方法。该模型在七个产品类别上进行的广泛实验表明，其在预测任务中的表现优异。

    Mar, 2020