Detecting Spam Reviews on Vietnamese E-commerce Websites
University of Information Technology(信息技术大学);Vietnam National University Ho Chi Minh City(胡志明市越南国家大学)
顾客的评论在网上购物中起着至关重要的作用。人们经常参考以前客户的评论或意见来决定是否购买新产品。赶上这种行为,有些人创造虚假和非法评论来欺骗客户关于产品质量的虚假。这些被称为垃圾评论,在网购平台上迷惑消费者,对网购行为产生负面影响。我们提出了一个名为ViSpamReviews的数据集,它有一个严格的注释程序,用于检测电子商业平台上的垃圾评论。我们的数据集由两个任务组成:用于检测评论是否是垃圾邮件的二元分类任务和用于识别垃圾邮件类型的多类分类任务。PhoBERT在这两项任务上获得了最高的结果,分别为86.89%和72.17%,按宏观平均F1得分计算。
2022-12-09 cs.AI cs.CL
The JDDC Corpus: A Large-Scale Multi-Turn Chinese Dialogue Dataset for E-commerce Customer Service
JD AI(京东人工智能)
人类的对话是复杂的,构建一个类似人类的对话代理是一项极具挑战性的任务。随着深度学习技术的快速发展,数据驱动模型越来越普遍,需要大量的真实会话数据。本文构建了一个大规模的真实场景中文电子商业会话语料库JDDC,拥有超过100万个多话轮对话,2000万个话语,1.5亿个单词。该数据集反映了人与人之间对话的几个特征,例如,目标驱动,长期依赖于上下文。它还涵盖了各种对话类型,包括任务导向,闲聊和问答。还提供了额外的意图信息和三个注释良好的挑战集。然后,我们评估了几个基于检索和生成模型,以提供JDDC语料库的基本基准性能。我们希望JDDC能够成为一个有效的实验平台,为对话任务的基础研究提供有益的帮助
2020-03-24 cs.AI cs.CL cs.IR
Disordered-DABS: A Benchmark for Dynamic Aspect-Based Summarization in Disordered Texts
Dartmouth College(达特茅斯学院)
针对非结构化、动态场景下基于方面摘要研究的不足,论文通过改造现有数据集构建 Disordered-DABS 基准,并经实验与人工评估证明其对 GPT-3.5 等现代摘要模型构成新挑战。
2024-06-17 cs.CL
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University(罗格斯大学);HPI/University of Potsdam(波茨坦大学哈索·普拉特纳研究院)
在这项工作中,我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的,通过集成用户代理对话和自定义知识图谱进行推荐。具体来说,我们首先构建一个统一的知识图谱,并提取用户-产品对之间的关键实体,作为对话的骨架。然后,我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明,我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
DSGPT: Domain-Specific Generative Pre-Training of Transformers for Text Generation in E-commerce Title and Review Summarization
JD.com Silicon Valley Research Center(京东硅谷研发中心)
本文提出了一种新的特定领域生成式预训练(DS-GPT)文本生成方法,并将其应用于电子商业移动显示的产品标题和评论摘要问题。首先,我们采用了一种仅解码器的Transformer架构,通过将输入和输出结合在一起,适合于微调任务。其次,我们证明了在相关领域中仅利用少量的预训练数据是强大的。从维基百科或CommonCrawl等通用语料库中预训练语言模型需要大量的时间和资源投入,如果下游任务的种类有限,则可能是浪费。OurDSGPT是在有限的数据集上进行预训练的,即中文短文本摘要数据集(LCSTS)。第三,我们的模型不需要与产品相关的人工标记数据。对于标题摘要任务,现有技术在训练和预测阶段明确使用额外的背景知识。相比之下,我们的模型隐含地捕获了这些知识,并在公共淘宝网上进行微调后,实现了对其他方法的显着改进。对于评论摘要任务,我们利用JD.com内部数据集,并观察到与标准机器翻译方法相比类似的改进,这些方法缺乏微调的灵活性。我们提出的工作可以简单地扩展到其他领域的文本生成任务。
2021-12-15 cs.AI cs.CL
Topic-Oriented Spoken Dialogue Summarization for Customer Service with Saliency-Aware Topic Modeling
Fudan University(复旦大学);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
在客户服务系统中,对话摘要可以通过自动为客户和代理尝试解决有关特定主题的问题的长时间对话创建摘要来提高服务效率。在这项工作中,我们专注于面向主题的对话摘要,它生成高度抽象的摘要,保留对话的主要思想。在口语对话中,大量的对话噪音和共同的语义可能会掩盖潜在的信息内容,使一般的主题建模方法难以应用。此外,对于客户服务而言,特定角色的信息至关重要,是不可或缺的一部分。为了有效地进行主题建模的对话和捕获多角色的信息,在这项工作中,我们提出了一种新的主题增强的两阶段对话摘要(TDS)与显着性感知神经主题模型(SATM)共同面向主题的客户服务对话摘要。对真实世界的中国客户服务数据集的综合研究证明了我们的方法对几个强基线的优越性。
2021-06-25 cs.CL
Enhancing Product Safety in E-Commerce with NLP
Zalando(扎兰多);Amazon(亚马逊)
确保提供给客户的产品的安全性对任何电子商业平台都是至关重要的。尽管这些平台上列出的产品经过严格的质量和安全检查,但偶尔客户可能会收到可能因使用而引起安全问题的产品。在本文中,我们提出了一个创新的机制,如何一个大型的跨国电子商业平台,Zalando,使用自然语言处理技术,以协助及时调查潜在的不安全的产品,直接从客户的书面索赔在非结构化的纯文本。我们系统地描述了Zalando客户关注的安全问题类型。我们演示了如何将这个核心业务问题映射到一个有监督的文本分类问题,该问题具有高度不平衡,嘈杂的多语言数据,并专注于关键性能指标(KPI)驱动的评估。最后,我们提出了详细的消融研究,以显示不同的分类技术之间的全面比较。我们以如何部署这个NLP模型来结束工作。
2022-10-25 cs.CL
InstructPTS: Instruction-Tuning LLMs for Product Title Summarization
Amazon.com, Inc.(亚马逊公司)
本文提出InstructPTS,一种基于指令微调LLMs的商品标题摘要方法,通过新颖的指令微调策略实现可控摘要,在真实电商数据上相比简单微调显著提升了准确率。
2023-10-25 cs.AI cs.CL
Automatic Generation of Chinese Short Product Titles for Mobile Display
Alibaba Group(阿里巴巴集团);Shanghai Jiao Tong University(上海交通大学);Zhejiang Cainiao Supply Chain Management Co., Ltd.(浙江菜鸟供应链管理有限公司)
本文研究的问题,自动提取一个简短的标题,从手动编写的电子商务产品的较长的描述显示在移动设备上。这是一个新的提取摘要问题的短文本输入,我们提出了一个特征丰富的网络模型,结合三个不同类别的功能并行。实验结果表明,我们的框架显着优于几个基线的大幅增益4.5%。此外,我们还为电子商务短文本生成了一个提取摘要数据集,并将其发布给研究社区。
2019-05-06 cs.CL
Improving Factual Consistency of Abstractive Summarization on Customer Feedback
Amazon, Inc.(亚马逊公司)
电子商务商店收集客户反馈,让卖家了解客户关注的问题,提升客户订单体验。由于客户反馈通常包含冗余信息,因此可以生成反馈的简明摘要,以帮助销售人员更好地了解导致客户不满的问题。现有的抽象文本摘要模型在根据客户反馈生成摘要时会产生两种主要的事实错误,即错误的实体检测(WED)和错误的产品缺陷描述(IPD)。在这项工作中,我们介绍了一套方法来提高客户反馈的抽象摘要的事实一致性。我们用人工破坏的摘要来增加训练数据,并将它们用作目标摘要的对应物。我们在训练目标中添加了一个对比损失项,以便模型学习避免某些事实错误。评估结果表明,大部分的WED和IPD错误减轻BART和T5。此外,我们的方法不依赖于结构的摘要模型,因此是可推广到任何抽象的摘要系统。
2021-06-30 cs.CL cs.LG
Topic Detection and Summarization of User Reviews
University of Delaware(特拉华大学);IBM Almaden Research(IBM阿尔马登研究中心)
每天都有大量的评论从各种平台上产生。人们不可能通读大量的评论并获得有用的信息。因此,自动总结客户评论是重要的识别和提取的基本信息,以帮助用户获得的数据的要旨。然而,由于客户评论通常是短的,非正式的,和多方面的,这是非常具有挑战性的,以产生主题明智的summarization.While有几个研究旨在解决这个问题,他们是探试法,开发只利用客户评论。与现有的方法不同,我们提出了一种有效的新的摘要方法,通过分析评论和摘要。由于情感通常很短,我们将谈论同一方面的情感合并到一个文档中,并应用主题建模方法来识别客户评论和摘要中的隐藏主题。情感分析用于区分每个检测到的主题之间的积极和消极的意见。本文还引入了一个分类器来区分摘要和客户评论的写作模式。最后,根据主题相关度、情感分析得分和写作模式选择情感生成摘要。为了测试我们的方法,从亚马逊和CNET收集了一个新的数据集,包括关于1028种产品的产品评论和摘要。实验结果表明,与其他方法相比,该方法是有效的。
2020-05-30 cs.CL
Heuristic-based Inter-training to Improve Few-shot Multi-perspective Dialog Summarization
IBM Research AI(IBM研究院人工智能部门)
许多组织要求他们的客户服务代理手动总结他们与客户的对话。这些摘要对于组织的决策目的至关重要。需要创建的摘要透视图取决于摘要的应用。通过这项工作,我们研究了支持代理和客户之间的客户关怀对话的多角度总结。我们观察到,有不同的算法与不同视角的摘要相关,并探索这些算法来创建弱标记数据,用于模型的中间训练,然后用稀缺的人类注释摘要进行微调。最重要的是,我们表明,我们的方法支持模型生成多角度的摘要与非常少量的注释数据。例如,我们的方法通过仅使用7%的原始数据进行训练,实现了使用原始数据训练的模型的94%的性能(Rouge-2)。
2022-03-30 cs.CL
A BERT based Ensemble Approach for Sentiment Classification of Customer Reviews and its Application to Nudge Marketing in e-Commerce
Walmart Global Tech(沃尔玛全球技术部门)
本文提出一种基于BERT的集成方法用于电商客户评论情感分类,并探讨其在助推营销中的应用,以提升顾客购买决策与平台互动。
2023-11-16 cs.CL cs.IR cs.LG
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
Flippi: End To End GenAI Assistant for E-Commerce
Flipkart US R\&D Center Bellevue, Washington, USA;Flipkart US R\&D Center
本文介绍了由大语言模型驱动的电子商务端到端对话助手Flippi,它利用RAG和NER等NLP技术解析查询并提供精准产品信息与比价分析,通过自然语言对话实现超越传统搜索的个性化购物体验。
2025-07-11 cs.CL
Multi-Source Pointer Network for Product Title Summarization
Alibaba Group(阿里巴巴集团)
在本文中,我们研究了电子商务应用程序中的产品标题摘要问题,以显示在移动设备上。与传统的句子摘要相比,产品标题摘要具有一些额外的和本质的限制。例如,事实错误或关键信息的丢失对于电子商务应用程序是不可容忍的。因此,我们为产品标题摘要抽象了另外两个约束:(i)不引入无关信息;(ii)保留关键信息(例如,品牌名称和商品名称)。为了解决这些问题,我们提出了一种新的多源指针网络,通过添加一个新的知识编码器的指针网络。第一个约束由指针机制处理。对于第二个约束,我们通过软门控机制从知识编码器中复制单词来恢复关键信息。为了进行评估,我们构建了大量真实世界的产品标题以及人类编写的简短标题。实验结果表明,我们的模型显着优于其他基线。最后,我们提出的模型的在线部署产生了重大的业务影响,通过点击率来衡量。
2018-10-08 cs.AI cs.CL cs.IR
Abstractive Dialog Summarization with Semantic Scaffolds
Zhejiang University(浙江大学);University of California, Davis(加州大学戴维斯分校)
在现实世界的应用中,对抽象对话摘要的需求正在增长。例如,客户服务中心或医院希望总结客户服务互动和医患互动。然而,由于缺乏合适的数据集,很少有研究者探讨对话的摘要。我们提出了一个抽象的对话摘要数据集的基础上MultiWOZ。如果我们直接应用以前的国家的最先进的文件摘要对话框的方法,有两个显着的缺点:信息实体,如餐厅名称是难以保存,和内容从不同的对话域有时不匹配。为了解决这两个缺点,我们提出了脚手架指针网络(SPNet),利用现有的注释扬声器角色,语义槽和对话域。SPNet将这些语义支架用于对话摘要。由于ROUGE不能捕捉到上述两个缺点,我们还提出了一个新的评估指标,认为关键的信息实体的文本。在MultiWOZ上,我们提出的SPNet在所有自动和人工评估指标上都优于最先进的抽象摘要方法。
2019-10-02 cs.CL
OpinionDigest: A Simple Framework for Opinion Summarization
University of Edinburgh(爱丁堡大学);Megagon Labs(Megagon实验室)
我们提出了OpinionDigest,一个抽象的意见摘要框架,它不依赖于黄金标准的摘要进行训练。该框架使用一个基于April的情感分析模型从评论中提取意见短语,并训练一个Transformer模型从这些提取中重建原始评论。在总结时,我们合并多个评论中的摘录,并选择最受欢迎的评论。所选择的意见被用作经训练的Transformer模型的输入,该模型将它们口头表达为意见摘要。OpinionDigest还可以通过根据其方面和/或情绪过滤所选意见来生成定制的摘要,以满足特定的用户需求。对Yelp数据的自动评估表明,我们的框架优于竞争对手的基线。对两个语料库的人类研究验证了OpinionDigest产生信息丰富的摘要,并显示出有前途的定制功能。
2020-05-05 cs.CL
Multi-Modal Generative Adversarial Network for Short Product Title Generation in Mobile E-Commerce
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
如今,越来越多的客户倾向于使用淘宝和亚马逊等移动电子商业应用程序浏览和购买产品。由于商家通常倾向于描述冗余和过度信息的产品标题来吸引客户的注意力,因此在有限的手机屏幕上简洁地显示简短的产品标题是很重要的。为了解决这一问题,以往的研究主要考虑文本信息的长产品名称和缺乏人性化的观点在培训和评估过程中。本文提出了一种多模态生成对抗网络(MM-GAN)用于电子商业中的产品短标题生成,它创新性地融合了产品的图像信息和属性标签,以及原始长标题的文本信息。MM-GAN将简短标题生成作为强化学习过程,其中生成的标题由机器人在类似人类的视图中进行评估。在大规模电子商业数据集上的实验表明,该算法优于其他最先进的方法。此外,我们将我们的模型部署到现实世界的在线电子商业环境中,并有效地提高了点击率和点击转换率的性能,分别为1.66%和1.87%。
2019-04-03 cs.CL
Informative and Controllable Opinion Summarization
Institute for Language, Cognition and Computation(语言、认知与计算研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
意见摘要是为关于特定目标的一组评论自动生成摘要的任务(例如,电影或产品)。由于每个目标的评论数量可能非常大,因此基于神经网络的方法遵循两阶段方法,其中提取步骤首先预先选择突出意见的子集,并且抽象步骤在以提取的子集为条件的同时创建摘要。然而,提取模型导致信息的丢失,这可能是有用的,这取决于用户的需求。在本文中,我们提出了一个摘要框架,消除了只依赖于预先选择的内容和浪费可能有用的信息,特别是在定制摘要。该框架使所有输入审查的使用,首先将它们压缩成多个密集的向量,作为一个抽象模型的输入。我们展示了一个有效的实例,我们的框架,产生更多的信息摘要,也允许考虑到用户的喜好,使用我们的zero-shot定制技术。实验结果表明,我们的模型提高了烂番茄数据集的最新技术水平,并有效地生成自定义摘要。
2021-01-22 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
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
Mining customer product reviews for product development: A summarization process
CentraleSupélec(中央高等电力学院);Université Paris-Saclay(巴黎-萨克雷大学);Ecole Centrale de Nantes(南特中央理工学院);IRCCyN(南特中央理工学院法国国家科研中心联合研究所)
本研究旨在从网上评论中识别和构建与顾客好恶相关的词语和表达,以指导产品开发。以前的方法主要集中在产品特征上。然而,评论者表达他们的偏好不仅在产品功能上。在本文中,在广泛的设计科学文献综述的基础上,作者提出了一个包含多个方面的用户偏好,如产品启示,情感,使用条件的摘要模型。同时,描述这些方面的偏好的语言模式被发现和起草的注释准则。一个案例研究表明,与建议的模型和注释准则,人类注释者可以结构的在线评论具有较高的相互协议。由于高一致性的人工标注结果对于使用自然语言处理自动化在线评论摘要过程至关重要,因此本研究为自动化的未来研究提供了材料。
2020-01-13 cs.CL cs.IR
Predicting next shopping stage using Google Analytics data for E-commerce applications
MorphL;UPB(布加勒斯特理工大学)
电子商业Web应用程序在我们的日常生活中几乎无处不在,但尽管它们很有用,但它们中的大多数几乎没有适应用户需求,这反过来又会导致较低的转换率以及不满意的客户。我们提出了一个机器学习系统,学习用户的行为,从多个以前的会话,并预测有用的指标,为当前会话。反过来,应用程序可以使用这些指标来定制和更好地定位客户,这可能意味着提供更好的特定产品,有针对性的通知或放置智能广告。用于学习算法的数据是从Google Analytics Enhanced电子商业中提取的,大多数电子商业网站都支持该功能,因此任何此类商家都可以使用该系统。为了学习用户模式,只使用其行为特征,不包括姓名,性别或任何其他可以识别用户的个人信息。所使用的学习模型是一个双循环神经网络,学习会话内和会话间的功能。该模型为每个会话预测每个定义的目标类的概率得分。
2019-05-29 cs.CL cs.IR
Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately
Shandong University(山东大学);Peking University(北京大学);Ant Group(蚂蚁集团);Renmin University of China(中国人民大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
评论摘要是一项重要的任务,旨在总结电子商务网站中产品评论的主要内容。与文献综述只需要关注文献中描述的主要事实不同,综述综述不仅要概括综述中提到的主要方面,还要体现综述作者的个人风格。虽然现有的评论摘要方法已经纳入了客户和产品的历史评论,他们通常只是简单地连接和不加区别地将这两个异构的信息建模成一个长序列。此外,评级信息还可以提供客户偏好的高层次抽象,它还没有被大多数方法所使用。在本文中,我们提出了异构的历史评论意识的评论摘要模型(HHRRS),分别建模的两种类型的历史评论与评级信息的图推理模块与对比损失。我们采用了多任务框架,进行审查情绪分类和总结联合。在四个基准数据集上进行的大量实验证明了HHRRS在这两个任务上的优越性。
2023-01-27 cs.AI cs.CL cs.IR
K-PLUG: Knowledge-injected Pre-trained Language Model for Natural Language Understanding and Generation in E-Commerce
JD AI Research(京东AI研究院);University of California, Berkeley(加利福尼亚大学伯克利分校);Renmin University of China(中国人民大学)
现有的预训练语言模型(PLM)已经证明了自监督学习对广泛的自然语言处理(NLP)任务的有效性。然而,他们中的大多数并没有明确地意识到特定领域的知识,这是必不可少的下游任务在许多领域,如任务中的电子商业场景。在本文中,我们提出了K-PLUG,知识注入预训练的语言模型的基础上的编码器-解码器Transformer,可以转移到自然语言理解和生成任务。我们验证我们的方法在不同的范围内的电子商业的情况下,需要特定领域的知识。具体而言,我们提出了五个知识感知的自我监督的预训练目标,制定特定领域的知识,包括电子商业领域的知识库,产品实体的方面,产品实体的类别,和独特的销售主张的产品实体的学习。K-PLUG在一系列特定领域的NLP任务上取得了新的最先进的结果,包括产品知识库完成,抽象的产品摘要和多轮对话,全面显著优于基线,这表明所提出的方法有效地学习了语言理解和生成任务的各种特定领域的知识。
2021-09-27 cs.CL
Towards Knowledge-Based Personalized Product Description Generation in E-commerce
Tsinghua University(清华大学);Peking University(北京大学);Alibaba Group(阿里巴巴集团)
高质量的产品描述对于在电子商业平台中提供具有竞争力的客户体验至关重要。准确和有吸引力的描述不仅可以帮助客户做出明智的决定,而且还可以提高购买的可能性。然而,制作一个成功的产品描述是乏味和非常耗时的。由于其重要性,自动化的产品描述生成已经吸引了相当大的兴趣,从研究和工业界。现有的方法主要使用模板或统计方法,其性能可能相当有限。本文将神经网络与知识库相结合,探索一种新的生成个性化产品描述的方法。具体来说,我们提出了一个基于知识的pErsonalized(或KOBE)的产品描述生成模型的背景下,电子商业。在KOBE中,我们将编码器-解码器框架Transformer扩展为使用自注意力的序列建模公式。为了使描述信息和个性化,KOBE在文本生成过程中考虑了各种重要因素,包括产品方面,用户类别和知识库等,在真实世界的数据集上的实验表明,所提出的方法优于基线的各种指标。在BLEU方面,KOBE可以实现比最先进技术提高9.7%。我们还提出了一些案例研究的轶事证据,以进一步证明所提出的方法的有效性。该框架已在中国最大的在线电子商业平台淘宝网中部署。
2019-06-05 cs.CL
Aspect-Based Opinion Summarization with Argumentation Schemes
School of Informatics, University of Edinburgh(信息学院,爱丁堡大学)
针对网购评论海量难梳理、现有方法难生成有依据的方面级观点摘要的问题,本文提出无需预定义方面的ASESUM框架,通过提取方面级论证并衡量其显著性与有效性生成摘要,实验证明其在捕捉评论多元视角上更优。
2025-06-12 cs.CL
Modeling Product Search Relevance in e-Commerce
Carnegie Mellon University(卡内基梅隆大学)
随着电子商业的快速发展,在线产品搜索已经成为一种流行的和有效的范例,为客户找到所需的产品和从事网上购物。然而,在客户真正希望购买的产品与响应于来自客户的查询而建议的产品的相关性之间仍然存在很大的差距。在本文中,我们提出了一个强大的方法来预测相关性分数给定的搜索查询和产品,使用涉及机器学习,自然语言处理和信息检索技术。我们将传统的信息检索模型(如BM 25和Indri)与深度学习模型(如word2vec、page2vec和paragraph2vec)进行了比较。我们分享一些我们的见解和发现,从我们的实验。
2020-01-14 cs.CL cs.IR cs.LG
Unsupervised Multi-Granularity Summarization
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft Cognitive Services Research(微软认知服务研究院);Microsoft Research Asia(微软亚洲研究院)
文本摘要是基于用户偏好的任务,即,对于同一个文档,用户通常有不同的摘要优先级。作为摘要定制的一个关键方面,粒度用于衡量摘要和源文档之间的语义覆盖率。然而,开发能够生成具有可定制语义覆盖率的摘要的系统仍然是一个未充分探索的主题。在本文中,我们提出了第一个无监督的多粒度摘要框架,GranuSum。我们把事件作为源文档的基本语义单位,并提出了这些事件的显着性排名。我们还开发了一个模型来总结输入文档与给定的事件作为锚和提示。通过输入不同数量的事件,GranuSum能够以无监督的方式生成多粒度摘要。同时,我们注释了一个新的基准GranuDUC,它包含多个摘要在不同的粒度为每个文档集群。实验结果证实了GranuSum在多粒度摘要方面的实质性优势。此外,通过利用事件信息,GranuSum在传统的无监督抽象设置下也表现出最先进的性能。本文的数据集可在以下网站找到:https://github.com/maszhongming/GranuDUC
2022-12-14 cs.CL
Generating Persuasive Responses to Customer Reviews with Multi-Source Prior Knowledge in E-commerce
Alibaba Group(阿里巴巴集团)
客户评论通常包含很多关于一个人的网上购物体验的信息。虽然正面评价对商店有利,但负面评价将在很大程度上影响消费者的决定,并可能导致销售额下降。因此,认真、有说服力地回复每一条负面评论,将负面评论的不利影响降到最低,至关重要。最近的研究考虑利用生成模型来帮助卖方响应。然而,这一问题没有得到很好的解决,因为审查可能包含问题的多个方面,这些问题应得到相应和有说服力的解决。在这项工作中,我们提出了一个多源多方面的注意力生成模型的说服性响应生成。各种来源的信息被适当地获得,并利用所提出的模型,以产生更多的信息和有说服力的反应。提出了一个多方面的关注网络,以自动关注审查中的不同方面,并确保大多数问题得到解决。在两个真实数据集上的大量实验表明,我们的方法优于最先进的方法,在线测试证明,我们部署的系统显着提高了商店处理负面评论的效率。
2022-09-20 cs.AI cs.CL
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
Beyond One-Size-Fits-All Summarization: Customizing Summaries for Diverse Users
Faculty of Engineering and Natural Sciences, Bahcesehir University(巴赫切谢希尔大学工程与自然科学学院);Bahcesehir University(巴赫切谢希尔大学)
针对摘要难以按读者可读性水平调整的问题,本文构建土耳其语定制数据集并提出自定义架构模型,在保持准确性与连贯性的同时优于监督微调基线。
2025-03-10 cs.AI 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
EcomEdit: An Automated E-commerce Knowledge Editing Framework for Enhanced Product and Purchase Intention Understanding
Department of Computer Science and Engineering, HKUST(香港科技大学计算机科学与工程学系)
本文首次将知识编辑引入电子商务领域,提出自动化框架ECOMEDIT,利用强LLM评判和概念化方法提升模型对产品描述与购买意图的理解及下游任务表现。
2024-10-18 cs.CL
A Hybrid Strategy for Chat Transcript Summarization
Verizon Communications(威瑞森通信)
本文提出一种结合抽取式与生成式技术并利用强化学习优化质量的混合方法,用于在缺乏标注摘要时大规模部署聊天记录摘要。
2024-07-31 cs.CL
Statistical Analysis on E-Commerce Reviews, with Sentiment Classification using Bidirectional Recurrent Neural Network (RNN)
了解客户的情绪是至关重要的营销策略今天。它不仅可以让公司了解客户如何看待他们的产品和/或服务,还可以让他们了解如何改进他们的产品和服务。本文试图了解女性服装电子商业的客户评论中不同变量的相关性,并对每个评论进行分类,是否推荐被评论的产品,以及它是否包含积极,消极或中性的情绪。为了实现这些目标,我们对除评论标题和评论文本之外的数据集特征进行了单变量和多变量分析,并实现了一个具有长短期记忆单元(LSTM)的双向循环神经网络(RNN)用于推荐和情感分类。结果表明,推荐是积极情绪得分的有力指标,反之亦然。另一方面,产品评论中的评级是情感得分的模糊指标。我们还发现,双向LSTM能够达到F1分数0.88的推荐分类和0.93的情感分类。
2020-06-16 cs.CL cs.LG stat.ML
A survey on fairness of large language models in e-commerce: progress, application, and challenge
Carnegie Mellon University(卡内基梅隆大学);San Francisco State University(旧金山州立大学);Columbia University(哥伦比亚大学);University of Southern California(南加州大学);Virginia Tech(弗吉尼亚理工大学);Khoury College of Computer Sciences, Northeastern University(东北大学科里计算机科学学院);New York University(纽约大学)
本综述梳理了大语言模型在电商领域的应用原理与场景,分析了其因数据与算法偏差引发的公平性问题及伦理法律风险,提出未来需构建更公平透明的电商大语言模型。
2024-06-21 cs.AI cs.CL cs.CY
Rethinking E-Commerce Search
Instacart, Inc.(Instacart公司)
本文提出反向改造电商搜索的思路:将产品库存、目录和分类等结构化数据转为文本以训练 LLM,并通过 LLM 问答机制实现搜索与推荐,替代传统信息抽取和结构化检索流程。
2023-12-06 cs.CL cs.IR
Unsupervised Abstractive Dialogue Summarization for Tete-a-Tetes
ASAPP Inc.(ASAPP公司);Duke University(杜克大学);Google Research(谷歌研究院)
高质量的对话摘要配对数据的生产成本很高,并且对领域敏感,这使得抽象的对话摘要成为一项具有挑战性的任务。在这项工作中,我们提出了第一个无监督的抽象对话摘要模型,为tete-a-tetes(SuTaT)。与标准文本摘要不同,对话摘要方法应该考虑多说话者的情况,其中说话者具有不同的角色,目标和语言风格。在一个tite-a-tete,如客户代理对话,SuTaT的目的是总结每个扬声器通过建模的客户话语和代理话语分别保留其相关性。SuTaT由一个条件生成模块和两个无监督摘要模块组成。条件生成模块包含两个编码器和两个解码器,在一个变分自编码器框架中,捕获两个潜在空间之间的依赖关系。使用相同的编码器和解码器,两个无监督的摘要模块配备了自注意力机制生成摘要,而不使用任何注释。实验结果表明,SuTaT是优越的无监督的对话摘要的自动和人类的评价,并能够对话分类和单轮会话生成。
2020-09-15 cs.CL cs.LG stat.ML
End-to-End Aspect-Guided Review Summarization at Scale
Wayfair
本研究提出结合ABSA与引导式摘要的可扩展LLM系统,为Wayfair生成产品评论摘要,经大规模A/B测试验证有效,还发布了含1180万条评论的数据集以支持相关研究。
2025-09-30 cs.AI cs.CL
DialogSum: A Real-Life Scenario Dialogue Summarization Dataset
University of Edinburgh(爱丁堡大学);Jilin University(吉林大学);Zhejiang University(浙江大学);Westlake University(西湖大学);Westlake Institute for Advanced Study(西湖高等研究院)
大规模数据集的提出促进了新闻摘要深度神经模型的研究。深度学习也可能对口语对话摘要有用,这可以使一系列现实生活场景受益,包括客户服务管理和药物跟踪。为此,我们提出了DialogSum,一个大规模的标记对话摘要数据集。我们使用最先进的神经摘要器对DialogSum进行实证分析。实验结果表明,口语词汇、特殊的语篇结构、共指和省略、语用和社会常识等都是对话摘要的难点,需要特定的表示学习技术来解决。
2021-06-16 cs.AI cs.CL
MMAPS: End-to-End Multi-Grained Multi-Modal Attribute-Aware Product Summarization
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China(多媒体可信感知与高效计算教育部重点实验室);Xiamen University(厦门大学);School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院)
针对现有多模态产品摘要方法存在的非端到端、缺少多粒度多模态及多模态属性建模的问题,提出端到端的MMAPS方法,通过多粒度多模态任务引导学习、双模态属性建模生成高质量摘要,在大规模中文电商数据集上多项指标优于SOTA方法。
2024-03-08 cs.CL cs.MM
Efficient Few-Shot Fine-Tuning for Opinion Summarization
University of Edinburgh(爱丁堡大学);Amazon(亚马逊);UNC Chapel Hill(北卡罗来纳大学教堂山分校)
抽象摘要模型通常在大量通用文本上进行预训练,然后在数万或数十万个带注释的样本上进行微调。然而,在意见摘要中,与参考摘要配对的评论的大型注释数据集不可用,并且创建成本很高。这就要求微调方法对小数据集的过拟合具有鲁棒性。此外,通常预先训练的模型通常不习惯客户评论的细节,并且在微调之后,产生具有不流畅和语义错误的摘要。为了解决这些问题,我们利用了一个有效的Few-Shot方法的基础上适配器,我们表明,可以很容易地存储在域知识。我们没有对整个模型进行微调,而是添加适配器,并以特定于任务的方式在大量未注释的客户评论语料库上对它们进行预训练,使用保留的评论作为伪摘要。然后,在小的可用人工注释数据集上微调适配器。我们发现,这种自我监督的适配器预训练在Amazon和Yelp数据集上分别将摘要质量提高了2.0和1.3个ROUGE-L点。最后,对于摘要个性化,我们以从通用数据集自动创建的方面关键字查询为条件。同样,我们以基于客户评论的查询方式预训练适配器,然后在带注释的数据集上对其进行微调。这使得摘要内容组织得更好,体现在一致性得到改善,冗余现象减少。
2022-05-08 cs.AI cs.CL cs.LG
Product Review Summarization based on Facet Identification and Sentence Clustering
National University of Singapore(新加坡国立大学)
产品评论如今已经成为一个重要的信息来源,不仅让客户可以轻松地找到对产品的意见并与同行分享他们的评论,而且还让产品制造商获得对他们产品的反馈。随着产品评论数量的增长,用户很难有效地搜索和利用这些资源。在这项工作中,我们建立了一个产品评论摘要系统,可以自动处理大量的评论,并汇总它们生成一个简洁的摘要。更重要的是,现有的产品摘要系统的缺点是,他们不能提供根本的原因,以证明用户的意见。在我们的方法中,我们通过应用聚类来解决这个问题,然后选择有代表性的候选人进行总结。
2011-10-07 cs.CL cs.DL
Extractive Summarization via Weighted Dissimilarity and Importance Aligned Key Iterative Algorithm
我们提出了重要性对齐的关键迭代算法提取摘要,是比传统的算法保持其准确性更快。我们的算法的计算复杂性为O($SNlogN$),以总结原来的$N$句子到最终的$S$句子。我们的算法最大化的加权相异度定义的产品的重要性和余弦相异度,使摘要代表的文件,并在同一时间的摘要的句子是不相似的。对按重要性排序的句子进行迭代贪婪搜索和二分搜索,使加权相异度最大化。最后,我们展示了一个基准分数的基础上总结的客户评论的产品,这突出了我们的算法的质量相媲美的人类和现有的算法。我们在github https://github.com/qhapaq-49/imakita上提供了我们算法的源代码。
2019-05-15 cs.AI cs.CL
Generating Rich Product Descriptions for Conversational E-commerce Systems
Walmart Global Tech(沃尔玛全球科技)
通过语音技术的最新进步和智能助手的引入,如亚马逊Alexa,苹果Siri和谷歌Home,越来越多的用户通过语音命令与各种应用程序进行交互。电子商业公司通常在其网页上显示简短的产品标题,无论是人工策划还是算法生成,当需要简洁时。然而,这些标题与自然口语不同。例如,“Lucky Charms Gluten Free Break-fast Cereal,20.5 oz a box Lucky Charms Gluten Free”可以在网页上显示,而类似的标题不能在基于语音的文本到语音应用程序中使用。在这样的会话系统中,容易理解的句子,例如“一盒20.5盎司的幸运符无麸质麦片”是优选的。与可以向用户呈现图像和详细产品信息的显示器相比,当与语音助理交互时,传达最重要信息的产品的简短标题是必要的。我们提出了电子BERT,序列到序列的方法,进一步预训练的BERT嵌入的电子商业产品描述语料库,然后微调产生的模型,以产生短,自然,口语标题从输入的Web标题。我们在真实世界的行业数据集上进行了广泛的实验,以及对模型输出的人工评估,结果表明,eBERT摘要的性能优于可比的基线模型。由于该模型的有效性,该模型的一个版本已部署在现实世界的设置。
2021-11-30 cs.CL cs.LG
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails(亚马逊零售);Amazon AWS(亚马逊云科技)
本文提出一种端到端基于Transformer的替代品推荐模型,将推荐转化为语言匹配问题并融合产品功能,通过新方法对弱监督行为信号去噪,支持多语言,在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL cs.IR