面向产品问题生成的学习多样化方法
计算与语言
2022-07-07 v1 信息检索
摘要
我们处理产品问题生成任务。对于给定的产品描述，我们的目标是生成反映潜在用户信息需求的问题，这些需求在描述中缺失或未很好覆盖。此外，我们希望覆盖可能跨越多种产品类型的多样化用户信息需求。为此，我们首先展示如何将T5预训练Transformer编码器-解码器模型微调用于该任务。然而，尽管与任务上的最先进方法（KPCNet）相比，T5生成的问题具有合理质量，但许多此类问题仍过于宽泛，导致全局问题多样性次优。作为替代，我们提出了一种新颖的学习多样化（LTD）微调方法，其能丰富底层Transformer模型所学到的语言。我们的实证评估表明，使用我们的方法显著改善了底层Transformer模型的全局多样性，同时尽可能保持其生成相关性。
引用
@article{arxiv.2207.02534,
title = {Learning to Diversify for Product Question Generation},
author = {Haggai Roitman and Uriel Singer and Yotam Eshel and Alexander Nus and Eliyahu Kiperwasser},
journal= {arXiv preprint arXiv:2207.02534},
year = {2022}
}