Melhorando as Perguntas e Respostas sobre Produtos em Diferentes Mercados

Fazer compras online virou uma grande parte das nossas vidas, com muita gente usando plataformas de e-commerce pra comprar produtos. Quando estão comprando, os clientes costumam ter perguntas sobre os produtos que estão interessados. Essas perguntas podem influenciar nas decisões de compra deles. Responder essas perguntas sobre produtos (PQA) de forma precisa é importante porque ajuda os clientes a fazerem escolhas conscientes.

Esse artigo apresenta uma nova tarefa chamada Pergunta e Resposta Multilíngue Baseada em Produtos de Mercados Cruzados (MCPQA). O objetivo dessa tarefa é fornecer respostas a perguntas sobre produtos em um mercado usando informações de outro mercado que tem mais recursos. Criamos um grande conjunto de dados com mais de 7 milhões de perguntas de 17 marketplaces diferentes em 11 idiomas. Nosso foco é melhorar a forma como respondemos perguntas sobre produtos, aproveitando recursos de diferentes mercados.

#Contexto

As pessoas que compram online podem fazer várias perguntas sobre os produtos. Por exemplo, elas podem querer saber sobre a qualidade de um produto, suas especificações ou as experiências de outros clientes. Tradicionalmente, as respostas a essas perguntas vinham de avaliações de clientes ou de respostas de outros usuários nas plataformas de e-commerce.

Mas nem todos os marketplaces têm os mesmos recursos. Alguns têm muitas avaliações e perguntas de clientes, enquanto outros têm bem poucas. É aqui que nossa nova tarefa entra em cena. Usando informações de um marketplace que tem muitos recursos, conseguimos ajudar a responder perguntas em um marketplace que não tem esses recursos.

A tarefa MCPQA busca aproveitar respostas e avaliações de um mercado rico em recursos para fornecer melhores respostas em um mercado com poucos recursos. Por exemplo, se um cliente na França quer saber se um certo relógio é verdadeiro, podemos checar as avaliações do enorme mercado dos EUA pra descobrir.

#Criação do Conjunto de Dados

Pra realizar essa pesquisa, construímos um grande conjunto de dados que reúne perguntas e avaliações de vários sites de e-commerce. Nosso conjunto de dados inclui mais de 7 milhões de perguntas sobre produtos, cobrindo 17 marketplaces diferentes. Esses marketplaces abrangem 11 idiomas, dando uma variedade de dados pra trabalharmos.

Nós também focamos em categorias específicas, como eletrônicos, e traduzimos perguntas e avaliações de marketplaces que não são em inglês pra inglês. Isso ajuda a entender como as perguntas são feitas e respondidas em diferentes idiomas.

#Subtarefas do MCPQA

Nossa tarefa é dividida em duas subtarefas principais:

1. Geração de Respostas (AG): Isso envolve gerar respostas baseadas nas avaliações dos clientes. Queremos determinar se as informações nas avaliações são suficientes pra responder a pergunta feita.

2. Classificação de Perguntas (QR): Isso envolve classificar perguntas similares tanto do marketplace principal quanto do marketplace auxiliar. Conferindo quais perguntas foram feitas antes, conseguimos encontrar respostas que podem ajudar a responder a pergunta atual.

Ambas as subtarefas visam melhorar a resposta a perguntas sobre produtos usando informações de mercados cruzados.

#Metodologia

Pra encarar essas subtarefas, primeiro rotulamos um subconjunto dos nossos dados usando um grande Modelo de Linguagem (LLM). Esse modelo ajuda a avaliar se uma pergunta pode ser respondida com base nas avaliações relacionadas e classificar quão úteis são os pares de pergunta-resposta anteriores.

Uma vez que rotulamos nossos dados, realizamos experimentos pra ver como diferentes modelos se saem nas tarefas de geração de respostas e classificação de perguntas. Comparamos métodos tradicionais com abordagens modernas como LLMs pra ver qual dá melhores resultados.

#Resultados e Análise

#Geração de Respostas

Descobrimos que modelos que utilizam informações de mercados cruzados tendem a ter um desempenho melhor do que aqueles que se baseiam apenas em informações de um único mercado. Por exemplo, quando olhamos o desempenho de diferentes modelos, aqueles que integraram dados de ambos os marketplaces (principal e auxiliar) forneceram respostas mais precisas e úteis às perguntas dos clientes.

Isso mostra que aproveitar avaliações e perguntas de um mercado maior pode melhorar muito a qualidade das respostas dadas em um mercado menor.

#Classificação de Perguntas

Na nossa análise de classificação de perguntas, notamos uma tendência similar. Modelos que se beneficiaram de dados adicionais de perguntas de um marketplace auxiliar mostraram desempenho melhorado. Essa melhoria foi especialmente notável em mercados menores, onde menos pessoas fazem perguntas e fornecem avaliações.

Com um conjunto mais rico de perguntas, fica mais fácil pro modelo encontrar respostas relevantes, aumentando a eficácia geral da resposta a perguntas sobre produtos.

#Desafios e Limitações

Embora nossa pesquisa mostre resultados promissores, ainda há desafios a enfrentar. Um dos principais problemas é a qualidade das informações disponíveis. Mesmo com avaliações e perguntas de clientes reais, pode haver casos de informações tendenciosas ou erradas.

Diferenças de linguagem também são um desafio. Nem todos os marketplaces operam no mesmo idioma, e a disponibilidade de dados em idiomas menos falados pode limitar a eficácia da nossa abordagem. Muitos idiomas com poucos recursos podem não ter dados suficientes relacionados a produtos, dificultando a melhoria das perguntas.

#Direções Futuras

Olhando pra frente, há várias áreas que planejamos explorar mais. Uma área chave é a melhoria de modelos multilíngues que possam entender e gerar texto em diferentes idiomas. Estamos particularmente interessados em como esses modelos se saem quando são ajustados com dados não traduzidos.

Outra direção pra pesquisa futura é examinar o aprendizado de transferência entre línguas. Isso envolve encontrar maneiras de aplicar conhecimento e recursos de idiomas com muitos recursos pra ajudar a melhorar o desempenho em idiomas com poucos recursos.

#Ética e Privacidade de Dados

Ao longo da nossa pesquisa, tomamos cuidado pra garantir a privacidade dos usuários e seguir padrões éticos. O conjunto de dados que criamos foi derivado de dados disponíveis publicamente, e nos certificamos de que nenhuma informação pessoal identificável foi incluída. Nossa abordagem prioriza a confidencialidade dos usuários e busca preservar a integridade dos dados com os quais trabalhamos.

#Conclusão

Em resumo, a tarefa MCPQA representa um desenvolvimento empolgante na melhoria da resposta a perguntas relacionadas a produtos em diferentes mercados e idiomas. Ao aproveitar informações de marketplaces ricos em recursos, conseguimos melhorar a qualidade das respostas dadas em mercados com menos recursos. Nosso conjunto de dados pode ajudar a facilitar mais pesquisas nessa área, abrindo novas possibilidades pra lidar com perguntas em um contexto multilíngue e de mercados cruzados.

Com o crescimento do e-commerce, encontrar maneiras de melhorar as experiências dos usuários por meio de melhores respostas a perguntas será essencial. Esperamos que esse trabalho ajude a abrir caminho pra mais avanços no campo das perguntas e respostas sobre produtos, levando a decisões de compra mais informadas para clientes em todo o mundo.