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

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

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

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多源多方面注意力生成模型的公式，以更具说服力的方式回应消极评论，并懂得自动关注评论中的不同方面，以确保多个问题被充分应对。大量实验结果表明，该方法胜过先前的方法，并且已经在线上测试中证明了提高商家处理消极评论效率的显著性。

Sep, 2022

本文介绍了 GPT4Rec，一种基于生成模型和搜索引擎的新型灵活推荐系统，它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣，提高推荐的相关性和多样性。

Apr, 2023

语音助手在电子设备中广泛使用，但如何让语音助手主动向用户提供建议尚未得到充分关注。本文针对电子商务领域中的购物产品问题进行了研究，通过识别用户的购物需求，语音助手能够提供产品或交易建议，提升购物体验。通过使用用户的购物历史数据，我们提出了一种基于 Mixture-of-Experts (MoE) 模型的新型特征，能够准确识别购物产品问题，取得了较高的 F1 得分。在实际用户中进行在线评估，我们能够实时识别购物产品问题并向用户推荐购物动作，提高用户加入购物清单的比率。

Apr, 2024

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

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

这篇论文提出了在产品领域上回答主观归纳问题（SUBJPQA）的新任务。针对这类问题，答案并不唯一，可以从多个角度解释。为了解决这一新任务，作者提出了一种三步法，涉及知识源的检索、问题的关联和多角度答案的生成。此外，作者构建了一个大规模的数据集，并展示了方法的有效性。

Sep, 2023