論文の概要: Opinion-aware Answer Generation for Review-driven Question Answering in E-Commerce

• arxiv url: http://arxiv.org/abs/2008.11972v2
• Date: Fri, 28 Aug 2020 05:29:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 08:10:11.188080
• Title: Opinion-aware Answer Generation for Review-driven Question Answering in E-Commerce
• Title（参考訳）: eコマースにおけるレビュー駆動質問応答のための意見認識型回答生成
• Authors: Yang Deng, Wenxuan Zhang, Wai Lam
• Abstract要約: 製品レビューにおける個人的意見に関する豊富な情報は、現在世代ベースのレビュー駆動QA研究では利用されていない。 本稿では,一貫したモデルで回答生成と意見マイニングタスクを共同で学習することで,意見認識型回答生成に取り組む。 実世界のEコマースQAデータセットにおいて,本手法が優れた性能を発揮することを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 39.08269647808958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Product-related question answering (QA) is an important but challenging task in E-Commerce. It leads to a great demand on automatic review-driven QA, which aims at providing instant responses towards user-posted questions based on diverse product reviews. Nevertheless, the rich information about personal opinions in product reviews, which is essential to answer those product-specific questions, is underutilized in current generation-based review-driven QA studies. There are two main challenges when exploiting the opinion information from the reviews to facilitate the opinion-aware answer generation: (i) jointly modeling opinionated and interrelated information between the question and reviews to capture important information for answer generation, (ii) aggregating diverse opinion information to uncover the common opinion towards the given question. In this paper, we tackle opinion-aware answer generation by jointly learning answer generation and opinion mining tasks with a unified model. Two kinds of opinion fusion strategies, namely, static and dynamic fusion, are proposed to distill and aggregate important opinion information learned from the opinion mining task into the answer generation process. Then a multi-view pointer-generator network is employed to generate opinion-aware answers for a given product-related question. Experimental results show that our method achieves superior performance in real-world E-Commerce QA datasets, and effectively generate opinionated and informative answers.
• Abstract（参考訳）: 製品関連質問応答(QA)は、Eコマースにおいて重要であるが難しい課題である。 これは、さまざまな製品レビューに基づいたユーザ投稿された質問に対する即時応答の提供を目的とした、自動レビュー駆動のQAに対する大きな需要につながります。 それにもかかわらず、製品レビューにおける個人的意見に関する豊富な情報は、これらの製品固有の疑問に答えるために不可欠であり、現在の世代ベースのレビュー駆動QA研究では利用されていない。 意見認識型回答生成を促進するために、レビューから意見情報を利用する場合、主な課題が2つある。 (i)質問とレビューの間の意見・相互関連情報を共同でモデル化し、回答生成のための重要な情報を取得すること。 (ii)与えられた質問に対する共通の意見を明らかにするために、多様な意見情報を集約すること。 本稿では,一貫したモデルで回答生成と意見マイニングタスクを共同で学習することで,意見認識型回答生成に取り組む。 意見マイニングタスクから得られた重要な意見情報を,回答生成プロセスに抽出・集約する2種類の意見融合戦略,すなわち静的および動的融合を提案する。 次に、製品関連質問に対する意見認識回答を生成するために、多視点ポインター生成ネットワークを用いる。 実験の結果,実世界のEコマースQAデータセットにおいて,本手法が優れた性能を達成し,意見と情報に富んだ回答を効果的に生成できることが示唆された。

関連論文リスト

• QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
  質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。 これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。 グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
  論文  参考訳（メタデータ） (2024-06-07T10:52:37Z)
• ExpertQA: Expert-Curated Questions and Attributed Answers [51.68314045809179]
  我々は,様々な属性と事実の軸に沿って,いくつかの代表システムからの応答を人為的に評価する。 我々は32分野にわたる484人の被験者から専門家による質問を収集し、同じ専門家に自身の質問に対する反応を評価する。 分析の結果は,32分野にまたがる2177の質問と,回答の検証とクレームの属性を備えた高品質な長文QAデータセットであるExpertQAである。
  論文  参考訳（メタデータ） (2023-09-14T16:54:34Z)
• A Critical Evaluation of Evaluations for Long-form Question Answering [48.51361567469683]
  LFQA(Long-form Question answering)は、幅広い質問に答えることができるが、その柔軟性は評価に大きな課題をもたらす。 本研究は,人的・自動的な評価の実践を網羅した,長文回答の評価を初めて対象とした研究である。
  論文  参考訳（メタデータ） (2023-05-29T16:54:24Z)
• Generating Persuasive Responses to Customer Reviews with Multi-Source Prior Knowledge in E-commerce [11.586256303135329]
  顧客レビューは通常、自分のオンラインショッピング体験に関する多くの情報を含んでいる。 各否定的なレビューに対して慎重にかつ説得力を持って回答し、その不利な効果を最小限に抑えることが不可欠である。 説得応答生成のためのマルチソースマルチアスペクト注意生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-20T06:20:45Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• Answering Product-Questions by Utilizing Questions from Other Contextually Similar Products [7.220014320991269]
  本稿では,主観的および意見に基づく質問に対する回答を予測するための,新しい補完的アプローチを提案する。 同じ質問に対する回答に基づいて、製品間のコンテキスト的類似度を測定します。 経験の混合フレームワークは、文脈的に類似した製品から回答を集約することで、答えを予測するために使用される。
  論文  参考訳（メタデータ） (2021-05-19T07:05:00Z)
• Meaningful Answer Generation of E-Commerce Question-Answering [77.89755281215079]
  eコマースポータルでは、製品関連の質問に対する回答を生成することが重要な課題となっている。 本稿では,MPAG(Meaningful Product Answer Generator)と呼ばれる新しい生成ニューラルモデルを提案する。 MPAGは、製品レビュー、製品属性、プロトタイプの回答を考慮に入れて、安全な回答問題を緩和します。
  論文  参考訳（メタデータ） (2020-11-14T14:05:30Z)
• Less is More: Rejecting Unreliable Reviews for Product Question Answering [20.821416803824295]
  近年の研究では、製品レビューは、リアルタイムで自動的な製品質問応答のための良い情報源であることが示されている。 本稿では、レビューを用いたPQAの回答可能性と回答信頼性の問題に焦点を当てる。 本稿では,PQAシステムの信頼性を向上させるための適合予測に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-09T03:08:55Z)
• Review-guided Helpful Answer Identification in E-commerce [38.276241153439955]
  製品固有のコミュニティ質問応答プラットフォームは、潜在的な顧客の懸念に対処するのに大いに役立ちます。 このようなプラットフォーム上でユーザが提供する回答は、その品質に大きく違いがあります。 コミュニティからのヘルプフルネスの投票は、回答の全体的な品質を示すことができるが、しばしば欠落している。
  論文  参考訳（メタデータ） (2020-03-13T11:34:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。