我们开发了一个名为 SCRABLE 的新系统，利用检索增强生成（RAG）和先进的大语言模型（LLM）从用户贡献的文档中生成自动回复，通过自优化提示和基于 LLM 的评判机制增强自身的自适应客户评价回复自动化，通过模仿人类评估者的自动评分机制评估生成回复的质量，在真实数据集上进行的广泛实验和分析表明，相比基准线，我们的方法在生成高质量回复方面有效，改进率超过 8.5%。通过对生成回复的手动检查进一步验证了我们提出的系统的效果。

May, 2024

本研究提出了一种名为 AARSynth 的系统来解决自动生成精确应用程序响应的问题。通过将 seq2seq 模型与机器阅读理解模型相结合，利用对给定 app 的特定信息，自动检索并合成最终的响应。结果表明，AARSynth 在 BLEU-4 分数上比现有最先进的系统提高了 22.2% 的准确率，并通过人类研究证明了其比最先进的系统具有显著的响应质量改进。

Jul, 2020

本研究通过评估预训练语言模型用于生成移动应用程序用户反馈的回复，发现预训练模型可以生成更相关、有意义的回复，且对提供的训练数据的数量更具有鲁棒性。

Feb, 2022

本文提出了一种名为 RevGAN 的新模型，可根据任意给定的情感和文体信息生成可控和个性化的用户评论，使用自注意递归自动编码器、条件鉴别器和个性化解码器等三个组件，该模型在多个真实世界数据集上的表现明显优于现有的生成模型，在句子质量、连贯性、个性化和人类评估方面都表现出色，同时我们还通过实验证明了生成的评论与有机生成评论并没有明显区别，并遵循相同的统计语言规律。

Sep, 2019

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

本文提出了一种基于神经网络的方法，使用用户对不同商品的评分来预测用户如何描述该商品，并生成自然语言解释，通过实验验证模型可以生成接近真实用户写的评论。

Jul, 2017

本文提出并研究了一种新的端到端方法以自动生成短电子邮件回复，称为 “Smart Reply”。它利用先进的大型深度学习生成语义多元化的建议来作为电子邮件的完整响应，并在 Inbox 邮箱中使用，协助 10％的所有移动响应。该系统具有处理每天数亿条消息的能力，利用了最先进的大规模深度学习技术，同时解决了响应多样性和可扩展性等问题，并引入了一种仅需要少量明确标记的数据进行语义聚类的新方法。

Jun, 2016

通过社交媒体反馈数据构建训练集，在 133M 个人类反馈数据上训练了基于 GPT-2 的 DialogRPT 模型，结合评分模型排名机器生成的对话回复，并通过人类评估证明其效果优于基线模型。

Sep, 2020

通过使用个性化的检索系统来增强生成器，构建能够更可靠地生成存在检索关系、多样化且被人工评估认为更信息丰富的解释的模型。

Sep, 2022

论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

Jul, 2018