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
本文对 2016 至 2021 年所发表关于问答系统的各项研究进行了回顾与总结,发现多轮问答系统已取代了单轮问答系统的先前主导地位,这表明了其在提高人工智能对话系统方面的重要性,同时也描绘了开展更多进一步和有利的研究的未来研究方向。
Jun, 2021
通过使用大型语言模型(LLMs),我们提出了一个框架,可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题,并建议这些问题给客户作为帮助和提示,从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。
May, 2024
该论文提出了一种基于交互的文本问答任务 QAit,通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息,提高了机器阅读系统在问答任务中的表现。
Aug, 2019
本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用,介绍了相关模型以及可供比较的数据集和文献结果。
Feb, 2020
本文提出了一种基于深度迁移学习的可调节联合学习方法,以有效地解决技术问答中的文档检索和阅读理解任务,并在 TechQA 上进行了实验验证,相较于现有方法表现更为优越。
Oct, 2020
本论文聚焦于在多语言环境下推进处理末端用户问题的 QA 技术,涉及多语性和混编等问题并提出了一种多文档利用的多跳问题生成技术,实验证明该方法可在 MQA、VQA 和语言生成等多个领域和语言中达到最先进的表现,是通用的,可用于提高 QA 系统性能。
Nov, 2022
本文提出了利用基于自我注意力的神经网络的机器理解方法,来解决电子商务对话搜索中的查询跟踪问题,并构建了一种新的数据集,实验结果表明,该模型在精确匹配度和 F1 得分方面优于几种基线模型,展示了机器理解模型在此任务上的潜力。
Oct, 2018
我们设计了一个实时问答系统,专门为帮助销售人员获取他们可以与客户共享或在电话中参考的相关材料 / 文档而开发。通过以 Seismic 内容库作为多样化数据集的相对大规模示例,我们展示了如何使用销售人员的查询的 LLM 嵌入来与相关内容匹配。通过使用具有跨编码器后处理器的双编码器体系结构,我们展示了该解决方案如何在几秒钟内返回最相关的内容推荐,即使对于大型数据集也是如此。我们的推荐系统作为一个 AML 端点用于实时推理,并已集成到称为 MSX 的 Dynamics CRM 的生产版本中,该版本每天被微软销售人员使用。
Jan, 2024
提出了一种基于 Transformer 模型的实时电子商务产品页面问答系统,在 CQA 对中检索到与用户查询相关的问题答案对,该模型学习统一的句法和语义表示,同时利用 CQA 对进行远程监督,通过在离线和在线实验中的大规模评估,证明了该框架在电子商务 QA 流量方面具有很好的性能。
Apr, 2021