Mejorando las preguntas y respuestas de productos en todos los mercados

Las compras en línea se han vuelto una gran parte de nuestras vidas, con muchas personas recurriendo a plataformas de comercio electrónico para comprar productos. Al hacer compras, los clientes a menudo tienen preguntas sobre los productos que les interesan. Estas preguntas pueden influir en sus decisiones de compra. Responder a estas preguntas relacionadas con el producto (PQA) de manera precisa es importante ya que ayuda a los clientes a tomar decisiones informadas.

Este artículo presenta una nueva tarea conocida como Preguntas y Respuestas Basadas en Productos Multilingües y Cross-market (MCPQA). Esta tarea tiene como objetivo proporcionar respuestas a preguntas sobre productos en un mercado utilizando información de otro mercado que tiene más recursos. Hemos creado un gran conjunto de datos con más de 7 millones de preguntas de 17 mercados diferentes en 11 idiomas. Nuestro enfoque está en mejorar cómo respondemos a las preguntas relacionadas con productos aprovechando los recursos de diferentes mercados.

#Antecedentes

Las personas que compran en línea pueden hacer varias preguntas sobre productos. Por ejemplo, pueden querer saber sobre la calidad de un producto, sus especificaciones o las experiencias de otros clientes. Tradicionalmente, las respuestas a estas preguntas han provenido de reseñas de clientes o respuestas proporcionadas por otros usuarios en plataformas de comercio electrónico.

Sin embargo, no todos los mercados tienen los mismos recursos. Algunos mercados tienen muchas reseñas de clientes y preguntas, mientras que otros tienen muy pocas. Aquí es donde entra nuestra nueva tarea. Al usar información de un mercado que tiene muchos recursos, podemos ayudar a responder preguntas en un mercado que carece de tales recursos.

La tarea de MCPQA tiene como objetivo aprovechar las respuestas y reseñas de un mercado rico en recursos para proporcionar mejores respuestas en un mercado con escasez de recursos. Por ejemplo, si un cliente en Francia quiere saber si cierto reloj es real, podemos consultar reseñas del mercado estadounidense, que es mucho más grande, para averiguarlo.

#Creación del Conjunto de Datos

Para llevar a cabo esta investigación, construimos un gran conjunto de datos que recopila preguntas y reseñas de varios sitios de comercio electrónico. Nuestro conjunto de datos incluye más de 7 millones de preguntas relacionadas con productos, abarcando 17 mercados diferentes. Estos mercados se extienden a través de 11 idiomas, lo que nos brinda un conjunto diverso de datos con los que trabajar.

También nos enfocamos en categorías específicas, como electrónica, y traducimos preguntas y reseñas de mercados no anglófonos al inglés. Esto ayuda a entender cómo se hacen y responden las preguntas en diferentes idiomas.

#Subtareas de MCPQA

Nuestra tarea se divide en dos subtareas principales:

1. Generación de Respuestas (AG): Esto implica generar respuestas basadas en las reseñas de los clientes. Queremos determinar si la información en las reseñas es suficiente para responder la pregunta planteada.

2. Clasificación de Preguntas (QR): Esto implica clasificar preguntas similares tanto del mercado principal como del mercado auxiliar. Al revisar qué preguntas se han hecho anteriormente, podemos encontrar respuestas que puedan ayudarnos a responder a la pregunta actual.

Ambas subtareas buscan mejorar las respuestas a preguntas relacionadas con productos utilizando información de diferentes mercados.

#Metodología

Para abordar estas subtareas, primero etiquetamos un subconjunto de nuestros datos utilizando un Modelo de Lenguaje grande (LLM). Este modelo nos ayuda a evaluar si una pregunta puede ser respondida en función de las reseñas relacionadas y clasificar qué tan útiles son los pares de preguntas y respuestas anteriores.

Una vez que hemos etiquetado nuestros datos, realizamos experimentos para ver qué tan bien se desempeñan varios modelos en las tareas de generación de respuestas y clasificación de preguntas. Comparamos métodos tradicionales con enfoques modernos como los LLM para ver cuál da mejores resultados.

#Resultados y Análisis

#Generación de Respuestas

Descubrimos que los modelos que utilizan información de múltiples mercados tienden a tener un mejor desempeño que aquellos que dependen solo de información de un único mercado. Por ejemplo, cuando analizamos el rendimiento de diferentes modelos, aquellos que integraron datos tanto del mercado principal como del mercado auxiliar proporcionaron respuestas más precisas y útiles a las preguntas de los clientes.

Esto demuestra que aprovechar reseñas y preguntas de un mercado más grande puede mejorar significativamente la calidad de las respuestas proporcionadas en un mercado más pequeño.

#Clasificación de Preguntas

En nuestro análisis de la clasificación de preguntas, notamos una tendencia similar. Los modelos que se beneficiaron de datos de preguntas adicionales de un mercado auxiliar mostraron un mejor rendimiento. Esta mejora fue especialmente notable en mercados más pequeños donde menos personas hacen preguntas y proporcionan reseñas.

Con un conjunto más rico de preguntas, se vuelve más fácil para el modelo encontrar respuestas relevantes, aumentando la efectividad general de las respuestas a preguntas relacionadas con productos.

#Desafíos y Limitaciones

A pesar de que nuestra investigación muestra resultados prometedores, todavía hay desafíos por abordar. Uno de los principales problemas es la calidad de la información que está disponible. Incluso con reseñas y preguntas de clientes reales, puede haber instancias de información sesgada o incorrecta.

Las diferencias de idioma también representan un desafío. No todos los mercados operan en el mismo idioma, y la disponibilidad de datos en idiomas menos hablados puede limitar la efectividad de nuestro enfoque. Muchos idiomas con escasez de recursos pueden no tener suficientes datos relacionados con productos, lo que dificulta mejorar las preguntas de manera efectiva.

#Direcciones Futuras

De cara al futuro, hay varias áreas que planeamos explorar más a fondo. Un área clave es la mejora de modelos multilingües que puedan entender y generar texto en diferentes idiomas. Nos interesa particularmente cómo se desempeñan estos modelos cuando se ajustan con datos no traducidos.

Otra dirección para la investigación futura es examinar el aprendizaje por transferencia entre idiomas. Esto implica encontrar formas de aplicar conocimientos y recursos de idiomas de alto recurso para ayudar a mejorar el rendimiento en idiomas de bajo recurso.

#Ética y Privacidad de Datos

A lo largo de nuestra investigación, hemos tenido cuidado de asegurar la privacidad del usuario y cumplir con los estándares éticos. El conjunto de datos que creamos se derivó de datos disponibles públicamente, y nos aseguramos de que no se incluyera información de identificación personal. Nuestro enfoque prioriza la confidencialidad del usuario y busca salvaguardar la integridad de los datos con los que trabajamos.

#Conclusión

En conclusión, la tarea de MCPQA representa un desarrollo emocionante en la mejora de las respuestas a preguntas relacionadas con productos en diferentes mercados e idiomas. Al aprovechar la información de mercados ricos en recursos, podemos mejorar la calidad de las respuestas proporcionadas en mercados menos dotados de recursos. Nuestro conjunto de datos puede ayudar a facilitar más investigaciones en esta área, abriendo nuevas posibilidades para abordar preguntas en un contexto multilingüe y cross-market.

A medida que el comercio electrónico sigue creciendo, encontrar formas de mejorar la experiencia del usuario a través de mejores respuestas a preguntas será esencial. Esperamos que este trabajo ayude a allanar el camino para futuros avances en el campo de las preguntas y respuestas relacionadas con productos, lo que llevaría a decisiones de compra más informadas para los clientes en todo el mundo.