摘要

在电子商务平台中，生成产品相关问题的答案已成为一项关键任务。本文提出了产品感知答案生成（Product-aware Answer Generation）的任务，旨在从大规模未标注的电子商务评论和产品属性中生成准确且完整的答案。与现有的问答问题不同，电子商务中的答案生成面临三个主要挑战：(1) 评论是非正式且带有噪声的；(2) 联合建模评论和键值对形式的产品属性具有挑战性；(3) 传统方法容易生成无意义的答案。为了解决这些挑战，我们提出了一种基于对抗学习的模型，命名为PAAG（Product-aware Adversarial Generation），该模型由三个组件构成：一个问题感知的评论表示模块、一个键值记忆网络用于编码属性，以及一个循环神经网络作为序列生成器。具体而言，我们使用卷积判别器来判断生成的答案是否符合事实。为了提取评论中的重要部分，我们提出了一种基于注意力机制的评论阅读器，以捕捉与问题最相关的词汇。我们在一个大规模的真实世界电子商务数据集上进行了广泛的实验，验证了所提出的模型中每个模块的有效性。此外，我们的实验结果表明，无论是在自动评估指标还是人工评价方面，我们的模型均达到了当前最佳性能。