Bridging the Gap Between Information Seeking and Product Search Systems: Q&A Recommendation for E-commerce

消费者在购物时通常会利用产品搜索和信息查询系统，例如网络搜索引擎和问答系统，进行迭代式的过程，以提高他们对可用产品的理解并做出购买决策。虽然产品搜索对于购物者在目录中找到满足其要求的实际产品很有用，但信息查询系统可以用来回答他们可能有的任何问题以细化这些要求。大型语言模型（LLMs）的最近成功开辟了一个机会，以在产品搜索中整合对话式问答系统，帮助客户快速有效地实现他们的目标。在本文中，我们建议向用户推荐与其产品搜索相关的问答对，以帮助他们做出购买决策。我们讨论了该问题的不同方面，包括问答对的要求和特征、它们的生成以及问答推荐任务的优化。我们强调了挑战、开放问题和建议的解决方案，以鼓励未来在这个新兴领域的研究。

将问答系统与产品搜索相结合，帮助消费者快速有效地做出购买决策

使用大型语言模型（LLMs）生成与产品搜索相关的问答对，以便消费者更好地理解产品并做出购买决策。

论文提出了将问答系统与产品搜索相结合的新方法，探讨了问答对的生成和推荐任务的优化。实验使用了多个数据集，并提供了开源代码，为未来研究提供了参考。

与该论文相关的其他研究包括：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、《RoBERTa: A Robustly Optimized BERT Pretraining Approach》、《Improving Conversational Question Answering Systems with User Profiling》等。