Product-Aware Answer Generation in E-Commerce Question-Answering
ICST, Peking University（北京大学信息科学技术学院）
在电子商业门户网站中，为产品相关问题生成答案已成为一项至关重要的任务。在本文中，我们提出了产品感知的答案生成任务，它倾向于从大规模的未标记的电子商业评论和产品属性中生成准确和完整的答案。与现有的问答问题不同，电子商业中的答案生成面临三个主要挑战：（1）评论是非正式的和有噪声的;（2）评论和关键值产品属性的联合建模具有挑战性;（3）传统方法容易生成无意义的答案。为了解决上述挑战，我们提出了一个基于对抗学习的模型，称为PAAG，它由三个组件组成：一个问题感知的评论表示模块，一个编码属性的键值记忆网络，以及一个作为序列生成器的递归神经网络。具体来说，我们使用卷积神经网络来区分我们生成的答案是否与事实相匹配。为了提取评论的显著性部分，提出了一种基于注意力的评论阅读器来捕获给定问题的最相关的词。在一个大规模的真实电子商业数据集上进行了大量的实验，验证了模型中每个模块的有效性。此外，我们的实验表明，我们的模型在自动度量和人工评估方面都达到了最先进的性能。
2019-01-24 cs.AI cs.CL
AliMe KBQA: Question Answering over Structured Knowledge for E-commerce Customer Service
Alibaba Group（阿里巴巴集团）
随着知识图谱的兴起，基于知识库的问答（KBQA）技术近年来受到越来越多的关注。尽管已经对这个主题进行了大量的研究，但由于商业知识和现实世界的问题可能相当复杂，因此将KBQA技术应用于行业仍然具有挑战性。在本文中，我们提出了AliMe-KBQA，一个大胆的尝试，应用于电子商业客户服务领域的KBQA。为了处理真实的知识和问题，我们扩展了经典的“主-谓-宾（SPO）”结构的属性层次，键-值结构和复合值类型（CVT），并加强了传统的KBQA的约束识别和推理能力。我们在2018年“双11”期间的商家营销推广场景以及之后的其他此类促销活动中推出AliMe-KBQA。在线结果表明，阿里Me-KBQA不仅能够获得更好的解决方案，提高客户满意度，而且由于其提供了更方便和高效的管理体验，成为企业知识员工首选的知识管理方法。
2019-12-12 cs.AI cs.CL
Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support
Microsoft（微软）
本文提出一种结合知识图谱与检索增强生成的框架，通过融合结构化子图与文本文档进行答案合成，显著提升了电子商务客户支持问答的事实准确率与用户满意度。
2025-09-15 cs.AI cs.CL cs.IT
Review-guided Helpful Answer Identification in E-commerce
The Chinese University of Hong Kong（香港中文大学）
特定产品的社区问答平台可以极大地帮助解决潜在客户的问题。然而，用户在这些平台上提供的答案往往在质量上有很大差异。来自社区的帮助投票可以表明答案的整体质量，但它们往往是缺失的。准确预测给定问题的答案的有用性，从而识别有用的答案正在成为一个迫切的需求。由于答案的有用性取决于多个角度，而不是在典型的QA任务中仅调查主题相关性，因此常见的答案选择算法不足以处理此任务。在本文中，我们提出了评论引导的答案有用性预测（RAHP）模型，不仅考虑了问答对之间的相互作用，但也调查的答案之间的意见一致性和群众的意见反映在评论，这是另一个重要因素，以确定有用的答案。此外，我们处理的任务，确定意见一致性作为一个语言推理问题，并探讨利用预训练策略转移的文本推理知识，从一个专门设计的训练网络。在七个产品类别的真实数据上进行的广泛实验表明，我们提出的模型在预测任务上具有优异的性能。
2020-03-13 cs.CL
Modelling Domain Relationships for Transfer Learning on Retrieval-based Question Answering Systems in E-commerce
Singapore Management University（新加坡管理大学）；Alibaba Group（阿里巴巴集团）
本文研究了PI和NLI问题的迁移学习，旨在提出一个通用的框架，该框架可以有效地将从资源丰富的源域学习到资源贫乏的目标域。具体来说，由于大多数现有的迁移学习方法只关注学习跨域的共享特征空间，而忽略了源域和目标域之间的关系，我们建议在一个统一的框架中同时学习共享表示和域关系。此外，我们提出了一个高效和有效的混合模型相结合的句子编码为基础的方法和句子的互动为基础的模型。在释义识别和自然语言推理上的大量实验表明，与竞争模型相比，我们的基础模型是有效的，具有良好的性能，我们的迁移学习方法可以帮助显着提高性能。进一步的分析表明，我们的模型所捕获的域间和域内的关系是有见地的。最后，我们将PI的迁移学习模型部署到我们的在线聊天机器人系统中，这可以为我们现有的系统带来显着的改进。最后，我们在我们的电子商业网站AliExpress的聊天机器人平台Eva上推出了我们的新系统。
2017-11-23 cs.CL
Information Discovery in e-Commerce
Leiden University（莱顿大学）；University of Science and Technology of China（中国科学技术大学）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
本文综述了电子商务中信息发现的基础设施、算法与技术解决方案，涵盖用户行为、搜索、推荐及语言技术，重点探讨了提升搜索与推荐效果、利用知识图谱及问答机器人连接人与商品的方法。
2025-01-25 cs.CL cs.IR
Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling
The Chinese University of Hong Kong（香港中文大学）；Alibaba Group（阿里巴巴集团）
近年来，电子商业平台上的产品问答（PQA）因其能够充当智能在线购物助手并改善客户购物体验而引起越来越多的关注。研究了其关键功能--产品相关问题答案自动生成，旨在生成内容保持的问题相关答案。然而，PQA的一个重要特征，即，个性化，被现有的方法所忽视。向所有客户提供相同的“完全概括的”答案是不够的，因为许多客户更愿意通过考虑他们自己对产品方面或信息需求的偏好来看到仅针对他们自己的定制信息的个性化答案。为了解决这一挑战，我们提出了一种新的个性化答案生成方法（PAGE）与多角度的偏好建模，探索历史用户生成的内容来建模用户的偏好生成个性化的答案在PQA。具体来说，我们首先检索与问题相关的用户历史作为外部知识来建模知识级用户偏好。然后，我们利用高斯Softmax分布模型来捕获潜在的方面级用户偏好。最后，我们开发了一个人物感知指针网络，通过利用个人用户偏好和动态用户词汇来生成个性化的答案。在真实电子商业问答数据集上的实验结果表明，该方法生成的答案信息量大、个性化程度高，性能优于现有方法，并表明电子商业中的答案生成可以受益于个性化。
2021-12-27 cs.CL cs.IR
QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering
RMIT University（拉筹伯大学）
本文提出QQSUM任务与QQSUM-RAG模型，通过少样本学习联合训练KP检索器和摘要生成器，从评论中提取并量化多样化关键点，以提升产品问答的答案质量与意见覆盖度。
2025-06-04 cs.CL
AliMe Assist: An Intelligent Assistant for Creating an Innovative E-commerce Experience
Alibaba Group（阿里巴巴集团）
我们介绍AliMe Assist，一款智能助手，旨在为电子商业创造创新的在线购物体验。AliMe Assist以问答（QA）为基础，提供协助服务、客户服务和聊天服务。它能够接受语音和文本输入，将上下文纳入QA，并支持多轮交互。目前，它每天处理数百万个客户问题，并能够解决其中的85%。在本文中，我们展示了系统，提出了底层技术，并分享我们的经验，在处理现实世界的QA在电子商业领域。
2018-01-12 cs.AI cs.CL
Retrieval-Augmented Generation Must Move Beyond Factual Grounding to Represent Diverse Opinions
Amazon.com（亚马逊公司）
本文指出检索增强生成系统存在系统性事实偏差，并提出需要在检索系统设计上进行范式转变，通过不确定性量化方法提出统一目标，并展示Opinion-Aware RAG架构在两个领域中的实验结果，证明其在多样性、公平性和准确性方面的提升。
2026-10-08 cs.AI cs.CL cs.IR
AliMe KG: Domain Knowledge Graph Construction and Application in E-commerce
Alibaba Group（阿里巴巴集团）
售前客户服务对电子商业平台至关重要，因为它有助于优化客户的购买过程。为了更好地为用户服务，我们提出了AliMe KG，一个领域知识图谱在电子商业，捕捉用户的问题，兴趣点（POI），项目信息及其关系。它有助于了解用户需求，回答售前问题并生成解释文本。我们将AliMe KG应用于导购、房产问答、推荐理由生成等多个在线业务场景，取得了积极的效果。本文系统地介绍了如何从自由文本中构造领域知识图谱，并通过几个应用实例展示了其商业价值。我们的经验表明，从垂直领域的自由文本中挖掘结构化知识是可行的，并在工业环境中具有重要价值。
2020-09-24 cs.AI cs.CL
Improving Opinion-based Question Answering Systems Through Label Error Detection and Overwrite
Meta Platforms, Inc.（Meta平台公司）
针对标注数据标签错误影响模型质量的问题，提出模型无关、计算高效的LEDO框架，基于蒙特卡洛Dropout与不确定性指标实现标签错误检测覆写，在工业观点问答系统的多个核心模型上取得显著性能提升且具备成本效益。
2023-06-13 cs.AI cs.CL cs.LG
Answer Generation for Questions With Multiple Information Sources in E-Commerce
Flipkart
本文提出了一种新颖的流程（MSQAP），通过分别进行相关性和歧义预测来利用评论、相似问题和规格说明等多信息源，从而在电子商务中生成更准确的答案。
2025-07-11 cs.CL cs.LG
CQASUMM: Building References for Community Question Answering Summarization Corpora
Myntra Designs（Myntra设计公司）；IIIT-Delhi（德里英迪拉·甘地信息技术学院）
Quora、Stackoverflow等社区问答论坛是丰富的知识资源，经常迎合被主要搜索引擎忽视的主题信息。提交给这些论坛的答案往往是精心制作的，包含垃圾邮件，被诽谤和商业促销所破坏。读者很难通过大量这样的答案来衡量社区的意见。因此，总结成为CQA论坛的优先任务。虽然已经做出了一些努力来总结类事实CQA，但在总结非类事实CQA方面的工作很少。我们认为这是由于缺乏一个相当大的，注释的数据集CQA总结。我们通过过滤440万Yahoo！回答L 6数据集。我们抽样的线程，其中最好的答案可以加倍作为一个参考摘要，并建立从他们百字摘要。我们将其他答案作为候选文档进行总结。我们提供了一个脚本来生成数据集，并介绍了社区问答摘要的新任务。多文档摘要已被广泛研究的新闻文章数据集，特别是在DUC和TAC挑战使用新闻语料库。然而，CQA中的文档具有更高的方差、矛盾的观点和更少的重叠量。我们比较流行的多文档摘要技术，并评估其性能在我们的CQA语料库。我们研究了最先进的技术，并了解了现有的多文档摘要器（MDS）失败的情况。我们发现，大多数MDS工作流程是建立在完全事实的新闻语料库，而我们的语料库有一个公平的份额的意见为基础的实例。因此，我们引入了OpinioSumm，一种新的MDS，其在ROUGE-1评分方面优于最佳基线4.6%。
2018-11-12 cs.CL
Subjective Question Answering: Deciphering the inner workings of Transformers in the realm of subjectivity
UNIVERSITY OF COPENHAGEN（哥本哈根大学）；FACULTY OF SCIENCE（理学院）
理解主观性需要超出常识范围的推理技巧。它需要一个机器学习模型来处理情感和执行意见挖掘。在这项工作中，我利用了一个最近发布的数据集进行跨度选择问答，即SubjQA。SubjQA是第一个包含问题的QA数据集，这些问题要求与来自六个不同领域的评论段落相对应的主观意见。因此，为了回答这些主观问题，学习者必须针对各个领域提取意见和处理情感，并且另外，将从段落中提取的知识与相应问题中的自然语言话语对齐，这一起增加了QA任务的难度。本论文的主要目标是研究内部工作（即，潜在的表示），以帮助更好地理解这些尚未很好理解的“黑盒”模型。Transformer的隐藏表示，关于真正的答案跨度，更紧密地聚集在向量空间比那些表示对应于错误的预测。对于客观和主观问题，此观察结果在前三个Transformer层中均成立，并且通常作为层维度的函数而增加。此外，在关于真实答案跨度令牌的潜在空间中的隐藏表示之间实现高余弦相似性的概率对于正确答案跨度预测比不正确答案跨度预测显著更高。这些结果对下游应用具有决定性的影响，在下游应用中，关键是要知道神经网络为什么会出错，以及错误发生在空间和时间的哪个点（例如，自动预测答案跨度预测的正确性而不需要标记数据）。
2020-10-14 cs.CL
Why We Feel What We Feel: Joint Detection of Emotions and Their Opinion Triggers in E-commerce
Computer Science and Engineering, IIT Bombay, India（计算机科学与工程系，印度理工学院班加罗尔）；Flipkart, India（Flipkart，印度）
本文提出联合情绪检测与观点触发词提取任务EOT，构建含2400条评论的EOT-X数据集，并设计结构化提示框架EOT-DETECT，在23个大语言模型上验证其优于零样本和思维链方法。
2025-07-07 cs.CL
IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce
Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程学院）；Amazon.com Inc（亚马逊公司）
本文提出 IntentionQA 基准，通过双任务多选题评估语言模型在电商中推断购买意图并预测额外购买的能力，实验表明现有模型与人类表现仍有较大差距。
2024-09-30 cs.CL
Question Answering is a Format; When is it Useful?
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Tel Aviv University（特拉维夫大学）；University of Washington（华盛顿大学）
近年来，从阅读理解、语义角色标注甚至机器翻译到图像和视频理解，作为问答的任务和数据集急剧扩展。随着这种扩展，对“问答“本身的效用和定义有许多不同的看法。有些人认为它的范围应该是窄的，或者是宽的，或者它在今天的数据集中被过度使用。在这篇观点文章中，我们认为问答应该被认为是一种有时对研究特定现象有用的格式，而不是一种现象或任务本身。我们讨论了什么时候一个任务被正确地描述为问答，什么时候一个任务被有效地设置为问答，而不是使用其他格式。
2019-09-25 cs.CL
Supervised Transfer Learning for Product Information Question Answering
Purdue University（普渡大学）；Adobe Research（奥多比研究院）；University of Georgia（佐治亚大学）
流行的电子商务网站，如亚马逊提供社区问答系统，供用户提出与产品相关的问题，有经验的客户可以自愿提供答案。在本文中，我们表明，大量的现有社区问答数据可以是有益的，当建立一个系统，回答有关产品的事实和规格的问题。我们的实验结果表明，一个回答问题的模型的性能在家得宝网站上列出的产品可以通过一个简单的迁移学习技术从现有的大规模亚马逊社区问答数据集大幅提高。迁移学习可以在实验设置中提高大约10%的准确率，在实验设置中，我们限制了用于训练的目标任务的数据大小。作为这项工作的一个应用，我们将这项工作中训练的性能最好的模型集成到一个基于移动的购物助手中，并展示了它的实用性。
2019-01-08 cs.CL cs.LG
Sentiment analysis and opinion mining on E-commerce site
本文针对电子商务场景下的情感极性分类问题，提出一种广泛的情感对立分类技术，并同时开展句子级和评论级分类实验，为后续情感分析研究提供方向。
2023-07-04 cs.CL cs.LG
Less is More: Rejecting Unreliable Reviews for Product Question Answering
RMIT University（皇家墨尔本理工大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61）；The University of Melbourne（墨尔本大学）
快速准确地回答关于产品的问题对于电子商务应用非常重要。手动回答产品问题（例如，在社区问答平台上）会导致响应缓慢且无法扩展。最近的研究表明，产品评论是实时、自动产品问答（PQA）的良好来源。在文献中，PQA被表述为检索问题，其目标是搜索最相关的评论来回答给定的产品问题。在本文中，我们专注于PQA使用评论的可回答性和答案的可靠性问题。我们的调查是基于这样一种直觉，即许多问题可能无法用有限的评论来回答。当一个问题无法回答时，系统应该返回空答案，而不是提供一个不相关的评论列表，这可能对用户体验产生重大的负面影响。此外，对于可回答的问题，只有回答问题的最相关的评论才应该包含在结果中。我们提出了一个共形预测为基础的框架，以提高PQA系统的可靠性，我们拒绝不可靠的答案，使返回的结果更简洁，更准确地回答产品的问题，包括返回零答案无法回答的问题。在广泛使用的Amazon数据集上的实验显示了我们所提出的框架的令人鼓舞的结果。更广泛地说，我们的研究结果表明，一个新的和有效的应用保形方法的检索任务。
2020-07-09 cs.CL cs.IR cs.LG
Mining Customers' Opinions for Online Reputation Generation and Visualization in e-Commerce Platforms
Sidi Mohamed Ben Abdellah University (USMBA)（西迪·穆罕默德·本·阿卜杜拉大学）
客户评论是一个非常丰富的数据源，我们可以从中提取有关不同在线购物体验的非常有价值的信息。收集的数据量可能非常大，尤其是对于时尚物品（产品、电影、电视节目、酒店、服务..），在那里，可用的客户意见的数量可以轻易地超过数千。事实上，虽然大量的评论确实可以提供有关项目质量的提示，但潜在客户可能没有时间或精力阅读所有评论以做出明智的决定（购买，租赁，预订.）。因此，需要正确的工具和技术来帮助完成这一任务，这对买方和卖方都是必要的。本论文的研究目标是通过对自然语言的在线评论进行挖掘，开发出一个能够自动为电子商业客户提供有价值信息的在线评价系统，以支持他们的在线决策过程。
2021-04-05 cs.CL
Topic-FlipRAG: Topic-Orientated Adversarial Opinion Manipulation Attacks to Retrieval-Augmented Generation Models
Wuhan University（武汉大学）；Nanyang Technological University（南洋理工大学）；Worcester Polytechnic Institute（沃思堡理工学院）
本文提出Topic-FlipRAG，一种针对检索增强生成模型的面向主题对抗性观点操控攻击方法，通过两阶段流程影响模型输出观点，揭示了RAG系统安全防护的迫切需求。
2025-12-29 cs.CL cs.CR cs.IR
ReCO: A Large Scale Chinese Reading Comprehension Dataset on Opinion
Sogou Inc.（搜狗公司）
本文介绍了ReCO，一个人工策划的中文阅读理解数据集上的意见。ReCO中的问题是向商业搜索引擎发出的基于意见的查询。这些段落由众包工作者提供，他们从检索到的文档中提取支持片段。最后，众包工作者给出了一个抽象的是/否/不确定的答案。ReCO的发布包括30万个问题，据我们所知，这是中文阅读理解中最大的问题。ReCO的一个突出特点是，除了原始的上下文段落外，我们还提供了可以直接用于回答问题的支持证据。质量分析表明，ReCO的挑战需要各种类型的推理技能，如因果推理，逻辑推理等。目前的QA模型在许多问答问题上表现得非常好，如BERT，在这个数据集上只能达到77%的准确率，远远落后于人类近92%的性能，这表明ReCO对机器阅读理解提出了很好的挑战。代码和数据集可在https://github.com/benywon/ReCO上免费获得。
2020-06-22 cs.CL
Gender and Racial Stereotype Detection in Legal Opinion Word Embeddings
Thomson Reuters Labs（汤森路透实验室）
研究表明，一些自然语言处理（NLP）系统编码和复制有害的偏见，对我们的社会产生潜在的不良道德影响。在这篇文章中，我们提出了一种方法来识别性别和种族刻板印象的词嵌入培训的司法意见，从美国判例法。当下游系统用于分类、信息抽取、问答或用于构建法律研究工具的其他机器学习系统时，包含原型信息的嵌入可能会造成伤害。我们首先解释了以前提出的识别这些偏见的方法是如何不适合用于在法律意见文本上训练的词嵌入的。然后，我们提出了一个域适应的方法来识别性别和种族偏见在法律领域。我们使用这些方法进行的分析表明，种族和性别偏见被编码到经过法律意见训练的词嵌入中。这些偏见并没有通过排除历史数据来减轻，并且出现在法律的多个大的主题领域。下游系统，使用法律意见词嵌入和潜在的缓解策略的建议，根据我们的观察的影响进行了讨论。
2022-04-12 cs.AI cs.CL
TMLab SRPOL at SemEval-2019 Task 8: Fact Checking in Community Question Answering Forums
Samsung R&D Institute Poland（三星波兰研发中心）
本文描述了我们提交给SemEval 2019任务8的社区论坛事实核查。所讨论的系统参与子任务A：决定一个问题是否要求事实信息，意见/建议或只是社交。在正式评估阶段，我们的主要提交物在所有参与者中排名第二。本文介绍了我们的主要解决方案：具有通用句子编码器嵌入的深度正则化残差神经网络（DRR NN）。其次是描述两个对比的解决方案的基础上集成的方法。
2019-05-29 cs.CL cs.LG stat.ML
Global Thread-Level Inference for Comment Classification in Community Question Answering
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
社区问答是Web环境中问答的最新发展，它允许用户快速咨询多个人对特定主题的意见，从而利用群体的智慧。在这里，我们试图帮助用户自动决定哪些答案是好的，哪些是坏的给定的问题。特别是，我们专注于利用线程级的输出结构，以便做出更一致的全局决策。更具体地说，我们利用之间的关系，在任何距离的评论线程，我们将在一个图形切割和ILP框架。我们在SemEval-2015任务3的基准数据集上评估了我们的方法。结果比现有技术有所改进，证实了使用线程级信息的重要性。
2019-11-20 cs.AI cs.CL cs.IR
TQA-Bench: Evaluating LLMs for Multi-Table Question Answering
Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）
提出TQA-Bench基准，通过长上下文多表问答任务评估LLM，揭示其在复杂数据驱动环境中的挑战与机遇。
2026-06-05 cs.AI cs.CL cs.IR
Unlocking Markets: A Multilingual Benchmark to Cross-Market Question Answering
University of Copenhagen（哥本哈根大学）；Singapore Management University（新加坡管理大学）；University of Amsterdam（阿姆斯特丹大学）
提出多语言跨市场基于产品问答任务MCPQA及大规模数据集McMarket，涵盖超700万问题和两个子任务，实验证明结合跨市场信息显著提升性能。
2024-09-24 cs.CL
Abstractive Opinion Tagging
Shandong University（山东大学）；Tencent AI Lab（腾讯人工智能实验室）；Peng Cheng Laboratory（鹏城实验室）；University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（皇家阿霍德德尔海兹集团）
在电子商务中，意见标签是指由电子商务平台提供的反映项目评论特征的标签的排名列表。为了帮助消费者快速掌握关于商品的大量评论，意见标签越来越多地被电子商务平台应用。当前用于生成意见标签的机制依赖于手动标记或探试法，这是耗时且无效的。在本文中，我们提出了抽象的意见标签的任务，系统必须自动生成一个排名列表的意见标签的基础上，但不需要发生在一组给定的用户生成的评论。抽象的意见标签任务有三个主要挑战：（1）评论的嘈杂性质;（2）意见标签的正式性质与评论中的口语用法;以及（3）需要区分具有非常相似方面的不同项目。为了解决这些挑战，我们提出了一个抽象的意见标记框架，名为AOT-Net，生成一个排名列表的意见标签给出了大量的评论。首先，评论级显著性估计组件估计每个评论的显著性分数。接下来，评论聚类和排名组件分两步对评论进行排名：首先，将评论分组到聚类中并按聚类大小进行排名;然后，每个聚类中的评论按其到聚类中心的距离进行排名。最后，给定排名的评论，排名感知的意见标记组件结合对齐特征和对齐损失以生成意见标签的排名列表。为了便于研究这一任务，我们创建并发布了一个大规模的数据集，称为eComTag，从现实世界的电子商务网站抓取。在eComTag数据集上进行的大量实验验证了所提出的AOT-Net在各种评估指标方面的有效性。
2021-01-24 cs.CL
SEOpinion: Summarization and Exploration Opinion of E-Commerce Websites
Beni-Suef University（贝尼苏韦夫大学）；Universidade de Vigo（维戈大学）
提出SEOpinion方法，结合制造商模板与顾客评论，分两阶段生成产品方面摘要与意见，实验证明RNN优于CNN和SVM。
2023-12-12 cs.AI cs.CL
Correction of Faulty Background Knowledge based on Condition Aware and Revise Transformer for Question Answering
University of Science and Technique of China（中国科学技术大学）
问答的研究近年来受到越来越多的关注。这项工作的重点是提供一个答案，既符合用户的意图和条件信息对应的问题，如交货状态和库存信息在电子商务。然而，这些条件在实际应用中可能是错误的或不完整的。现有的问答系统虽然考虑了知识库中的范畴属性、三元组等外部信息，但都假设外部信息是正确的、完整的。为了减轻有缺陷的条件值的影响，本文提出了条件感知和修正Transformer（CAR-Transformer）。CAR-Transformer（1）基于整个会话和原始条件值来修改每个条件值，并且（2）它对修改后的条件进行编码并利用条件嵌入来选择答案。在真实世界客户服务数据集上的实验结果表明，当与问题对应的条件存在错误或缺失值时，CAR-Transformer仍然可以选择适当的回复，并且在自动和人工评估方面大大优于基线模型。所提出的CAR-Transformer可以扩展到其他需要考虑条件信息的NLP任务。
2020-06-30 cs.AI cs.CL
ListReader: Extracting List-form Answers for Opinion Questions
Harbin Institute of Technology（哈尔滨工业大学）
问答是一种高级的自然语言处理能力。大多数提取式机器阅读理解模型都集中在事实性问题上（例如，who，when，where），并将输出答案限制为原始段落中的短而连续的跨度。然而，在现实世界的场景中，许多问题是非事实的（例如，如何、为什么）及其答案以包含多个不连续跨度的列表格式组织。当然，现有的提取模型在设计上无法回答这些问题。针对这一问题，提出了一种基于神经抽取的列表式问答模型ListReader。除了学习问题和内容之间的对齐之外，我们还引入了一个异构的图神经网络来显式地捕获候选片段之间的关联。此外，我们的模型采用了一个共同提取设置，可以提取跨度或跨度级别的答案，允许更好的适用性。两个大规模的不同语言的数据集构建，以支持这项研究。实验结果表明，我们的模型大大优于各种强基线。进一步的讨论提供了对我们的模型如何工作以及性能增益来自何处的直观理解。
2021-10-22 cs.CL
Solving Price Per Unit Problem Around the World: Formulating Fact Extraction as Question Answering
Amazon.com Inc.（亚马逊公司）
每单位价格（PPU）是消费者在电子商务网站上比较产品时的重要信息。计算PPU需要找到产品的总数量，而PPU并不总是由卖方提供。为了预测总量，需要正确推断产品属性中给出的所有相关量，例如标题，描述和图像。我们制定这个问题作为一个问答（QA）任务，而不是命名实体识别（NER）任务的事实提取。在我们的QA方法中，我们首先预测测量单位（UoM）类型（例如，体积、重量或计数），其制定期望的问题（例如，“总量是多少？“），然后用这个问题找到所有相关的答案。我们的模型架构由两个子任务的两个子网络组成：一个分类器来预测UoM类型（或问题），一个提取器来提取相关的数量。我们对这两个子任务都使用了深度字符级的CNN架构，这使得（1）可以轻松扩展到具有类似字母表的新商店，（2）由于其跨度图像架构而实现多跨度应答，以及（3）通过保持模型推理延迟较低而易于部署。在全球所有商店中，我们的QA方法在精度上优于基于规则的方法34.4%，也优于基于BERT的事实提取方法，其中美国商店的精度提升最大，为10.6%。
2022-04-12 cs.AI cs.CL cs.IR
HAS-QA: Hierarchical Answer Spans Model for Open-domain Question Answering
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本文涉及开放域问答（即，OpenQA）。近年来，一些研究将这一问题看作是一个阅读理解任务，并将成功的阅读理解模型直接应用于这一任务，但这些模型在阅读理解任务中的表现并不如在阅读理解任务中的表现。我们认为，RC的观点忽略了OpenQA任务的三个特点：1）数据汇集中包含许多没有答案跨度的段落; 2）一个给定段落中可能存在多个答案跨度; 3）答案跨度的结束位置与开始位置相关。在本文中，我们首先提出了一个新的概率公式的OpenQA，基于一个三级层次结构，即~问题水平、段落水平和答案跨度水平。然后，层次答案跨度模型（HAS-QA）的设计，以捕捉每个概率。HAS-QA有能力解决上述三个问题，在公开的OpenQA数据集上的实验表明，它显著优于传统的RC基线和最近的OpenQA基线。
2019-01-12 cs.CL
Using Entity Relations for Opinion Mining of Vietnamese Comments
HoChiMinh City University of Technology（胡志明市工业大学）；Lac Hong University（乐鸿大学）
在本文中，我们提出了几种新的技术来提取和挖掘意见的越南评论的客户对一些产品在越南的电子商务交易。该评估基于客户对特定产品（如手机和笔记本电脑）的情绪水平。我们利用这些产品的特点，因为他们是非常感兴趣的客户，并有许多产品在越南电子商务市场。由此，可以了解客户对开发产品的喜好。
2019-05-16 cs.CL
SemEval-2019 Task 8: Fact Checking in Community Question Answering Forums
Instituto de Telecomunicações（电信研究所）；SiteGround Hosting EOOD（SiteGround托管有限责任公司）；MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；University of Copenhagen（哥本哈根大学）
我们在社区问答论坛中介绍了SemEval-2019关于事实核查的任务8，其中包括两个子任务。子任务A是关于决定一个问题是要求事实信息还是意见/建议还是只是社交。子任务B要求预测一个事实问题的答案是真的、假的还是不正确的。我们收到了17份关于子任务A的正式意见书和11份关于子任务B的正式意见书。对于子任务A，所有系统都比多数类基线有所改善。对于子任务B，所有系统都低于多数类基线，但有几个系统非常接近它。排行榜和比赛数据可以在http://competitions.codalab.org/competitions/20022上找到
2019-05-25 cs.CL cs.LG stat.ML
BanglaASTE: A Novel Framework for Aspect-Sentiment-Opinion Extraction in Bangla E-commerce Reviews Using Ensemble Deep Learning
Department of Computer Science；Engineering Chittagong University of Engineering；Department of Information Technology Washington University of Science \& Technology 2900 Eisenhower Ave, Alexandria, VA 22314, United States；Department of Information Systems Central Michigan University 1200 S. Franklin St. Mount Pleasant, Mich. 48859
本文提出BanglaASTE框架，通过集成深度学习方法，在孟加拉语电商评论中实现高效的方面-情感-意见三元组提取，提升低资源语言的情感分析能力。
2025-11-26 cs.CL cs.LG
HeteroQA: Learning towards Question-and-Answering through Multiple Information Sources via Heterogeneous Graph Modeling
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Ant Group（蚂蚁集团）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
社区问答（CQA）是一个定义良好的任务，可以用于许多场景，如电子商务和在线用户社区的特殊利益。在这些社区中，用户可以发表文章、发表评论、提出问题和回答问题，这些数据形成了异构的信息源，每个信息源都有自己的结构和上下文（文章后面的评论或相关问题的答案）。大多数CQA方法只结合文章或维基百科来提取知识并回答用户的问题。然而，社区中的各种类型的信息源并没有被这些CQA方法充分利用，这些多个信息源（MIS）可以提供更多的相关知识，用户的问题。因此，我们提出了一个问题感知的异构图Transformer，将MIS在用户社区自动生成答案。为了评估我们提出的方法，我们进行了两个数据集上的实验：$\text{MSM}^{\text{plus}}$的基准数据集MS-MARCO和AntQA数据集，这是第一个大规模的CQA数据集与四种类型的MIS的修改版本。在两个数据集上的大量实验表明，我们的模型在所有指标方面都优于所有基线。
2021-12-27 cs.AI cs.CL
Using Large Pretrained Language Models for Answering User Queries from Product Specifications
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Flipkart（Flipkart公司）
在从电子商务网站购买产品时，客户通常会有很多问题。从电子商务服务提供商和客户的角度来看，必须有一个有效的问答系统，以提供即时的答案，用户的查询。虽然某些问题只能在使用产品后才能回答，但有许多问题可以从产品说明书本身回答。我们的工作在这个方向上迈出了第一步，找到了相关的产品规格，这可以帮助回答用户的问题。我们提出了一种方法来自动创建这个问题的训练数据集。我们利用最近提出的XLNet和BERT架构，这个问题，发现他们提供了更好的性能比暹罗模型，以前应用于这个问题。我们的模型即使在一个垂直领域进行训练并在不同的垂直领域进行测试，也能提供良好的性能。
2020-05-29 cs.CL cs.IR
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
Exploring the Viability of Synthetic Query Generation for Relevance Prediction
Google Research（谷歌研究院）；Google DeepMind（谷歌DeepMind）
本研究探讨了合成查询生成在细粒度相关性预测中的可行性，发现现有QGen方法不如跨域迁移学习，并引入标签条件化QGen模型以改进性能，但仍难以完全捕捉相关性标签的细微差别。
2023-06-16 cs.CL cs.IR
QPaug: Question and Passage Augmentation for Open-Domain Question Answering of LLMs
Korea University（高丽大学）；Hanbat National University（韩巴大学）
提出QPaug方法，通过LLMs将问题分解为多步子问题并生成辅助段落，增强查询与检索质量，显著提升了开放域问答中RAG的性能。
2024-09-27 cs.AI cs.CL
Adaptive Question Answering: Enhancing Language Model Proficiency for Addressing Knowledge Conflicts with Source Citations
University of Colorado Boulder（科罗拉多大学博尔德分校）；Oracle（甲骨文公司）
本研究提出模糊场景下带来源引用的问答新任务，构建含5个新数据集、2个新评估指标及多类强基线的综合框架，填补了知识冲突处理与引用生成结合的研究空白，助力可信可解释问答系统研发。
2024-10-29 cs.CL
Leveraging Domain Knowledge for Efficient Reward Modelling in RLHF: A Case-Study in E-Commerce Opinion Summarization
IIT Bombay（印度理工学院孟买分校）；Flipkart（Flipkart公司）
提出将领域知识注入RLHF奖励模型的新方法，减少21倍偏好标注需求，在电商意见摘要任务中以940样本超越SOTA，并发布两个新数据集。
2024-04-18 cs.CL cs.LG
Query-bag Matching with Mutual Coverage for Information-seeking Conversations in E-commerce
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
信息查询会话系统旨在通过会话满足用户的信息需求。在电子商业中，用户查询与预先收集的问题之间的文本匹配是信息搜索会话的重要组成部分。在实际情况中，一种问题总是对应着一个相同的答案。当然，这些问题可以形成一个袋子。直接学习用户查询和包之间的匹配可以提高会话性能，表示为查询-包匹配。受此启发，本文提出了一种查询-包匹配模型，该模型主要利用查询与包之间的相互覆盖度，度量包对查询内容的提及程度，反之亦然。此外，学习到的词级包表征有助于在较好的等级中找到包的要点，提高了查询-包匹配性能。在两个数据集上的实验表明了该模型的有效性。
2019-11-07 cs.CL cs.IR
Adaptations of ROUGE and BLEU to Better Evaluate Machine Reading Comprehension Task
Baidu Inc.（百度公司）；Peking University（北京大学）
目前，基于问答的机器阅读理解（MRC）系统的评价指标通常集中在候选答案和参考答案之间的词汇重叠，如ROUGE和BLEU。然而，当这些指标用于特定问题类型时，可能会出现偏差，特别是询问是非意见和实体列表的问题。在本文中，我们对指标进行了调整，以更好地将n-gram重叠与人类对这两种问题类型答案的判断相关联。统计分析证明了我们的方法的有效性。本文的研究成果对实际MRC系统的开发具有积极的指导意义。
2018-06-10 cs.CL
Enhancing Taxonomy Completion with Concept Generation via Fusing Relational Representations
University of Notre Dame（圣母大学）
分类法的自动构造支持电子商务、web搜索和问答中的许多应用。现有的分类扩展或完成方法假设新的概念已经被准确地提取，并且它们的嵌入向量从文本语料库中学习。然而，在修复分类法的不完整性方面的一个关键和根本的挑战是提取的概念的不完整性，特别是对于那些名称具有多个单词并且因此在语料库中频率较低的概念。为了解决基于提取的方法的局限性，我们建议GenTaxo通过识别现有分类中需要新概念的位置，然后生成适当的概念名称来增强分类完成。GenTaxo不依赖于语料库进行概念嵌入，而是从其周围基于图形和基于语言的关系信息中学习上下文嵌入，并利用语料库来预训练概念名称生成器。实验结果表明，GenTaxo提高了现有方法的分类的完整性。
2021-06-05 cs.CL
RECOM: A Validity Discrimination Tradeoff in Automatic Metrics for Open Ended Reddit Question Answering
University of Alabama Huntsville（阿拉巴马大学亨茨维尔分校）；University of North Alabama（北阿拉巴马大学）；Stanford University（斯坦福大学）；Meta AI；Amazon GenAI（亚马逊生成人工智能）
提出 RECOM 数据集，发现自动评估指标在开放式问答中无法同时兼顾有效性和区分性，余弦相似度有效性高但区分性差，BERTScore 区分性受长度影响且有效性弱。
2026-06-18 cs.CL
Distilling Opinions at Scale: Incremental Opinion Summarization using XL-OPSUMM
IIT Bombay（印度理工学院孟买分校）；Flipkart（Flipkart公司）
针对LLM难以处理海量短评论的问题，本文提出增量摘要框架 Xl-OpSumm，并构建 Xl-Flipkart 测试集，验证其在大规模电商观点摘要上的性能提升。
2024-06-16 cs.CL cs.LG
FACTIFY3M: A Benchmark for Multimodal Fact Verification with Explainability through 5W Question-Answering
University of South Carolina（南卡罗来纳大学）；UCLA（加州大学洛杉矶分校）；Amazon AI（亚马逊人工智能）；Stanford University（斯坦福大学）
本文提出包含300万样本的多模态事实核查基准FACTIFY3M，融合文本声明、ChatGPT改写、关联图像、稳定扩散生成图像、像素级热力图、5W问答对及对抗性假新闻，以提升可解释性和检测能力。
2023-10-31 cs.AI cs.CL cs.CV
Summarizing Community-based Question-Answer Pairs
Pennsylvania State University（宾夕法尼亚州立大学）；Grammarly（Grammarly公司）；Meta AI
基于社区的问答（CQA）允许用户获取他们想要的信息，已经越来越多地成为电子商务、旅游和餐饮等各个领域的在线服务的重要组成部分。然而，大量的CQA对使得没有特定意图的用户难以找到散布在CQA对上的有用信息。为了帮助用户快速消化关键信息，我们提出了新的CQA摘要任务，旨在从CQA对创建一个简洁的摘要。为此，我们首先设计了一个多阶段的数据注释过程，并基于Amazon QA语料库创建了一个基准数据集CoQASUM。然后，我们比较了一系列提取和抽象摘要方法，并为CQA摘要任务建立了一个强大的基线方法DedupLED。我们的实验进一步证实了CQA摘要任务面临的两个关键挑战，即重复类型传输和重复删除。我们的数据和代码是公开的。
2022-11-17 cs.AI cs.CL
User-Inspired Posterior Network for Recommendation Reason Generation
State Key Lab. of Computer Science, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所计算机科学国家重点实验室）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Data Science Lab, JD.com（京东数据科学实验室）；Baidu Inc.（百度公司）
推荐理由生成旨在向客户展示产品的卖点，对于吸引客户注意力、提升用户体验起着至关重要的作用。一种简单有效的方法是直接从产品知识库中提取关键词，即，属性或标题，作为推荐原因。然而，从产品知识生成推荐理由并不能自然地响应用户的兴趣。幸运的是，在一些电子商务网站上，存在越来越多的用户生成内容（简称用户内容），即，产品问答（QA）讨论，反映用户关心的方面。因此，在本文中，我们考虑生成的推荐原因，不仅考虑到产品属性，但也客户生成的产品QA讨论。事实上，只有最受欢迎的商品才有可能获得足够的用户内容，而大量的长尾产品或新产品无法收集足够数量的用户内容。为了解决这个问题，我们提出了一个用户启发的多源后验Transformer（MSPT），它诱导模型反映用户的兴趣与后验多QA讨论模块，并产生包含产品属性以及用户关心的方面的推荐原因。实验结果表明，该模型优于传统的生成式模型。此外，分析还表明，我们的模型可以更专注于用户关心的方面比基线。
2021-02-16 cs.CL cs.IR
An Empirical Comparison of Generative Approaches for Product Attribute-Value Identification
Free University of Bozen-Bolzano（博尔扎诺自由大学）；LMU Munich（慕尼黑大学）；Wonder Technology Srl（Wonder Technology Srl公司）
本文将产品属性-值识别形式化为生成任务，在三个数据集上系统比较三种属性-值生成策略，发现端到端方法计算效率高且效果最优，并公开了复现代码。
2024-07-01 cs.AI cs.CL
