基于相似产品的问答预测方法

社区产品问答（PQA）是电子商务网站的重要功能。顾客会提出诸如"这条牛仔裤洗后会缩水吗？“或"这个盘子能放进微波炉吗？“等问题，其他顾客则根据自身经验进行回答。

许多电商平台还提供自动问答工具，旨在社区回复前即时解答问题。这些工具通常通过检索已解决问题档案中的潜在答案来工作。然而，由于产品新颖、罕见或未获得足够社区关注，往往无法找到相关的问答记录。

创新方法

研究人员提出了一种新颖方法，通过识别相似产品提出的相似问题来预测未解答问题的答案。该方法包含四个关键步骤：

针对特定产品的新问题，算法从其他产品的问答记录中检索数百条记录。每条记录包含问答对及相关产品数据。通过预训练嵌入的最近邻搜索进行快速相似度估算。

使用经过训练的神经网络问题相似度模型，重新计算检索问题与新问题的语义相似度。仅保留高相似度记录。

通过创新的上下文产品相似度（CPS）模型，评估当前产品与保留产品在特定问题背景下的相似度。例如，两条牛仔裤在"能否放入烘干机"问题上可能相似，但在"是否有弹性"问题上可能不同。

利用CPS模型评分，在混合专家模型中对答案进行加权投票，最终预测客户问题的答案。

CPS模型采用可扩展的无监督训练流程，利用大量已解决的产品问答数据（特别是是否型问题）进行离线训练。训练过程的关键是定位来自同一产品类别、且具有高度相似是否问题的产品对。

通过自动无监督程序生成大规模标注数据集，用于训练CPS模型。即使预测准确率尚未完美，通过返回用于预测的相关问答记录，客户可自行判断预测可靠性。这种辅助AI方法下的客户互动，可反馈至持续学习方法中进一步改进预测效果。

在针对多个产品类别的是否问题实验中，该方法预测准确率达到75%-80%，具体取决于可用相似产品的数量。除了预测答案外，系统还提供作为预测依据的相似问题和答案，帮助客户形成自己的判断。