Distantly Supervised Transformers For E-Commerce Product QA

نقترح نظاما عمليا للناسب الفوري للإجابة على صفحات المنتج لخدمات التجارة الإلكترونية، حيث يتم استرداد أزواج كل مستخدم في كل مستخدم، ويتم استرجاع أزواج إجابة سؤال المجتمع (CQA) ذات الصلة. تختلف استعلامات المستخدم وأزواج CQA بشكل كبير في خصائص اللغة التي تتخصصها التعلم صعبة. يتعلم نموذجنا القائم على المحولات لدينا وظيفة ذات أهمية قوية من خلال التعلم بالاشتراك في التمثيلات النحوية والدلية الموحدة دون الحاجة إلى بيانات المسمى البشرية. يتم تحقيق ذلك من خلال الإشراف المستمر على النموذج لدينا عن طريق تقطير من تنبؤات نظام مطابق سنوي على استعلامات المستخدم والتدريب في وقت واحد مع أزواج CQA. يساعد التدريب مع أزواج CQA النموذجية في تعلم النموذج الدلالي الوهمي في ضمان الجودة والرقابة البعيدة التي تتيح تعلم ميزات النحوية وكذلك الدفراء الدقيقة من لغة الاستعلام عن المستخدم. بالإضافة إلى ذلك، يقوم نموذجنا بتشفير الاستعلامات والردود المرشحة بالسماح بشكل مستقل إلى تدوين تضمين المرشح غير المتصل بالإنترنت مما يقلل من الحاجة إلى تنفيذ نموذج محول في الوقت الفعلي. وبالتالي، فإن إطار عملائنا قادر على التوسع إلى حركة مرور QA التجارة الإلكترونية الكبيرة. يوضح التقييم المكثف على استعلامات المستخدم أن إطارنا يتفوق بشكل كبير على كل من خطوط الأساس المنتجة والدلية في وضع عدم الاتصال بالإضافة إلى إعدادات A / B على نطاق واسع لخدمة التجارة الإلكترونية الشعبية على نطاق واسع.

We propose a practical instant question answering (QA) system on product pages of e-commerce services, where for each user query, relevant community question answer (CQA) pairs are retrieved. User queries and CQA pairs differ significantly in language characteristics making relevance learning difficult. Our proposed transformer-based model learns a robust relevance function by jointly learning unified syntactic and semantic representations without the need for human labeled data. This is achieved by distantly supervising our model by distilling from predictions of a syntactic matching system on user queries and simultaneously training with CQA pairs. Training with CQA pairs helps our model learning semantic QA relevance and distant supervision enables learning of syntactic features as well as the nuances of user querying language. Additionally, our model encodes queries and candidate responses independently allowing offline candidate embedding generation thereby minimizing the need for real-time transformer model execution. Consequently, our framework is able to scale to large e-commerce QA traffic. Extensive evaluation on user queries shows that our framework significantly outperforms both syntactic and semantic baselines in offline as well as large scale online A/B setups of a popular e-commerce service.