学术交流

Multi-type Textual Reasoning for Product-aware Answer Generation

Yue Feng, Zhaochun Ren, Weijie Zhao, Mingming Sun and Ping Li

通过阅读评论和产品属性，电子商务问答任务旨在自动为与产品相关的问题生成听起来自然的答案。但是，现有方法假定每个评论和每个产品属性在语义上都是独立的，而忽略了所有这些多类型文本之间的关系。在本文中，我们提出了一个具有评论属性的异构图神经网络（缩写为RAHGNN）来对所有多类型文本的逻辑关系进行建模。 RAHGNN由四个组件组成：审阅属性的异构图构造器，问题感知输入编码器，异构图关系分析器和基于上下文的答案解码器。具体来说，在构造具有评论和产品属性的异构图之后，我们分别基于问题关注网络和键值存储网络来推导每个评论节点和属性节点的初始表示。 RAHGNN使用节点级注意和语义级注意根据子图结构和子图语义含义分析关系。最后，答案是由递归神经网络以关系表示作为上下文输入而生成的。在大规模的现实世界电子商务数据集上的大量实验结果不仅显示了RAHGNN优于现有技术的性能，而且还证明了其在产品感知答案生成中对多种类型文本关系的潜在良好可解释性。