基于关键词的多样且具体的澄清问题生成

电子商务网站上的商品描述常缺失重要方面。澄清问题生成（CQGen）可成为一种有前景的方法以缓解该问题。不同于假设上下文中存在答案并据此生成问题的传统问答生成（QGen），CQGen 模拟用户询问未陈述信息的行为。生成的澄清问题可作为健全性检查或校对，帮助电商商家在推广商品前识别潜在缺失信息，从而改善消费者体验。由于用户背景与用例的多样性，信息需求可能十分多样但也特定于细致主题，而先前工作假设每上下文生成一问且结果趋于通用。因此我们提出多样澄清问题生成任务，并应对具体性挑战。我们提出一个名为 KPCNet 的新模型，通过关键词预测与条件化生成澄清问题，以处理这些任务。在 2 个数据集（Home & Kitchen、Office）上的自动与人工评估表明，KPCNet 比若干竞争基线能生成更具体的问题并促进更好的组级多样性。