Produktbewusste Antwortgenerierung im E-Commerce-Frage-Antwort-Bereich

Im Bereich der E-Commerce-Portale ist die Erstellung von Antworten auf produktspezifische Fragen zu einer entscheidenden Aufgabe geworden. In dieser Arbeit schlagen wir die Aufgabe der produktspezifischen Antwortgenerierung vor, die darauf abzielt, aus umfangreichen, nicht gekennzeichneten E-Commerce-Bewertungen und Produktdaten eine genaue und vollständige Antwort zu generieren. Im Gegensatz zu bestehenden Frage-Antwort-Problemen stellt die Antwortgenerierung im E-Commerce drei Hauptherausforderungen: (1) Bewertungen sind informell und verrauscht; (2) das gemeinsame Modellieren von Bewertungen und Schlüssel-Wert-Paar Produktdaten ist schwierig; (3) traditionelle Methoden erzeugen leicht sinnlose Antworten. Um diesen Herausforderungen entgegenzutreten, schlagen wir ein modellbasiertes adversariales Lernverfahren vor, das PAAG genannt wird. Es besteht aus drei Komponenten: einem fragebewussten Bewertungsrepräsentationsmodul, einem Schlüssel-Wert-Gedächtnisnetzwerk zur Kodierung von Produktdaten und einem rekurrenten neuronalen Netzwerk als Sequenzgenerator. Insbesondere verwenden wir einen konvolutionellen Diskriminator, um festzustellen, ob unsere generierte Antwort den Tatsachen entspricht. Um den relevanten Teil der Bewertungen zu extrahieren, schlagen wir einen aufmerksamkeitsbasierten Bewertungsleser vor, der die wichtigsten Wörter gegeben einer Frage erfasst. Anhand eines umfangreichen realweltlichen E-Commerce-Datensatzes haben unsere umfassenden Experimente die Effektivität jedes Moduls in unserem vorgeschlagenen Modell bestätigt. Darüber hinaus zeigen unsere Experimente, dass unser Modell sowohl bei automatischen Metriken als auch bei menschlichen Bewertungen den aktuellen Stand der Technik erreicht.Hinweis: "PAAG" steht für "Product-Aware Answer Generation".