面向用户评论的应用感知回复生成
软件工程
2020-11-12 v3 机器学习
摘要
及时且令人满意地回复用户评论可提升应用评分，而这对应用的流行与成功至关重要。此类评论的激增使得开发者几乎不可能靠人工逐一回复。为应对这一挑战，近期研究已展示自动回复生成的可行性。然而，由于训练所用的评论-回复对是从众多不同应用中汇总而来，此类模型难以生成特定于应用的回复，而另一方面，由于各应用功能与关注点不同，这类定制化回复往往更受青睐。若仅为每个应用单独构建模型（即仅用单一应用的评论-回复对训练）来解决该问题，可能并不充分，因为单个应用的评论-回复对数量有限，且这些配对通常缺乏回复新评论所需的相关信息。为实现特定于应用的回复生成，本文提出 AARSynth：一个应用感知回复生成系统。AARSynth 的核心思想是用特定于给定应用的信息来增强 seq2seq 模型。给定一条新用户评论，它首先检索出最相关的 Top-K 条应用评论以及应用描述中最相关的片段。随后，检索到的信息与新用户评论被输入一个融合机器学习模型，该模型将 seq2seq 模型与机器阅读理解模型相整合。后者有助于消化检索到的评论与应用描述。最终，融合模型生成针对给定应用定制的回复。我们使用来自 Google Play 的大规模评论与回复语料对 AARSynth 进行了评估。结果表明，AARSynth 在 BLEU-4 分数上比最先进（SOTA）系统高出 22.2%。此外，我们的人工研究表明，与 SOTA 系统相比，AARSynth 在回复质量上取得了统计显著的提升。
引用
@article{arxiv.2007.15793,
title = {App-Aware Response Synthesis for User Reviews},
author = {Umar Farooq and A. B. Siddique and Fuad Jamour and Zhijia Zhao and Vagelis Hristidis},
journal= {arXiv preprint arXiv:2007.15793},
year = {2020}
}