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。

Jan, 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

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

通过考虑个性化和模棱两可性，我们创建了一个包含大约 80 万个问题和 310 万个答案的新问题回答数据集，发现考虑主观答案的个性化因素能够得到定量上更好的答案，并提供更细致的支持性观点。

Oct, 2016

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

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015

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

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

在电子商务中，通过引入额外的信息源和自主训练的方法，我们提出了一种新颖的综合数据集创建策略来生成观点摘要。我们的模型采用了多编码器解码器框架，针对每个信息源使用一个编码器以在生成摘要时实现有效信息选择。实验证明，我们的方法与目前的最佳模型相比，在 ROUGE-1 F1 指标上平均提高了 14.5%。此外，人工评估结果显示，MEDOS 模型在连贯性和流畅性方面相对较高，分别为 0.41 和 0.5（-1 到 1 的评分），相较于现有模型具有更高的质量。据我们所知，我们是第一个利用额外信息源进行自主训练生成观点摘要的研究。

Apr, 2024