基于对抗域适配利用客户评论回答主观性特定产品查询的学习方法
计算与语言
2019-10-23 v2 信息检索
机器学习
摘要
大规模电子商务网站上的在线客户评论代表了丰富多样的舆情数据来源，常提供关于产品使用的主观定性评估，可帮助潜在客户发现符合其个人需求与偏好的特征。因此，它们有潜力通过提供良好的答案备选，自动回答关于产品的特定查询，并解决相关消费者问答论坛上答案匮乏与答案扩充的问题。在本工作中，我们探索了几种近期成功的神经句子对建模方法，这些方法能更好地学习问题与真实答案之间的关系，从而帮助推断最能回答问题或扩充给定答案的评论。特别地，我们假设，基于对抗域适配的方法由于能够从大量无标签、未配对的问题-评论样本中额外学习域不变特征，在利用评论回答特定、主观的产品相关查询时将优于我们所提的基线方法。我们使用由人类专家评估的小规模黄金标准问题-评论对数据集验证了该假设，显著超越了所选基线。此外，我们的方法在训练时未使用任何有标签的问题-评论句子对数据，其表现与另一种利用有标签问题-评论样本完成同一任务的方法相当。
引用
@article{arxiv.1910.08270,
title = {Learning to Answer Subjective, Specific Product-Related Queries using Customer Reviews by Adversarial Domain Adaptation},
author = {Manirupa Das and Zhen Wang and Evan Jaffe and Madhuja Chattopadhyay and Eric Fosler-Lussier and Rajiv Ramnath},
journal= {arXiv preprint arXiv:1910.08270},
year = {2019}
}
备注
8 pages, 1 figure, 6 tables, added additional references to end of section 2.1, removed graphics from referenced works, added to argument in section 2.3 corrected typos, results unchanged