Dans les portails de commerce électronique, la génération de réponses aux questions relatives aux produits est devenue une tâche cruciale. Dans cet article, nous proposons la tâche de génération de réponses adaptées aux produits, qui vise à produire des réponses précises et complètes à partir d'avis non étiquetés à grande échelle et des attributs des produits. Contrairement aux problèmes existants de question-réponse, la génération de réponses dans le commerce électronique fait face à trois défis principaux : (1) Les avis sont informels et bruyants ; (2) la modélisation conjointe des avis et des attributs clé-valeur des produits est complexe ; (3) les méthodes traditionnelles génèrent facilement des réponses dépourvues de sens. Pour relever ces défis, nous proposons un modèle basé sur l'apprentissage par confrontation, nommé PAAG (Product-Aware Answer Generation), composé de trois modules : un module de représentation des avis en fonction de la question, un réseau mémoire clé-valeur encodant les attributs du produit, et un réseau neuronal récurrent en tant que générateur séquentiel. Plus précisément, nous utilisons un discriminateur convolutif pour déterminer si notre réponse générée correspond aux faits. Pour extraire la partie pertinente des avis, nous proposons un lecteur d'avis basé sur l'attention afin de capturer les mots les plus pertinents en fonction de la question. Nos expériences approfondies menées sur un ensemble de données massif issu du monde réel du commerce électronique ont permis de vérifier l'efficacité de chaque module dans notre modèle proposé. De plus, nos expériences montrent que notre modèle atteint les performances les plus avancées actuellement disponibles en termes tant de métriques automatiques que d'évaluations humaines.