电商中融合多信息源问题的答案生成

在电子商务中，自动问答是一项重要却具挑战性的任务，因为用户针对感兴趣商品发布了数以百万计的问题。因此，对利用商品相关信息快速响应的自动答案生成系统有着巨大需求。可用于回答用户查询的知识源有三：评论、重复或相似问题以及规格参数。有效利用这些信息源将极大帮助我们回答复杂问题。然而，在利用这些源时存在两个主要挑战：（i）存在不相关信息；（ii）评论与相似问题中存在情感歧义。通过本工作，我们提出了一个新颖的流程（MSQAP），其在生成回复前分别对前述源中的丰富信息进行相关性与歧义预测，从而加以利用。实验结果表明，我们的相关性预测模型（BERT-QA）优于所有其他变体，与 BERT-base 基线相比 F1 分数提升 12.36%。我们的生成模型（T5-QA）在所有内容保持指标（如 BLEU、ROUGE）上均优于基线，与性能最高的基线（HSSC-q）相比，ROUGE 平均提升 35.02%，BLEU 平均提升 198.75%。对我们流程的人工评估显示，我们的方法相比生成模型（T5-QA）在准确率上总体提升 30.7%，从而使得我们基于完整流程的方法（MSQAP）提供更准确的答案。据我们所知，这是电商领域首个融合规格参数、相似问题和评论数据等多样源信息自动生成自然语言答案的工作。