随着互联网5G技术的发展和线上购物的需求日益增加,为了提升用户购物体验和促进平台的经济效益增长,面向电商场景的产品相关的智能问答开始被广泛关注与研究,然而,由于现有技术的局限性和电商平台数据量大、数据噪声高等因素影响,设计面向电商场景的产品相关的智能问答系统仍然是一项具有挑战性的工作。另一方面,图结构网络在表示非结构化文本信息上具有天然的可解释性的优势,基于图的神经网络方法开始引起诸多学者的关注,另外,针对Seq2Seq序列编解码的技术突破使得生成式智能问答有了一定的研究基础。面对实际应用领域的需求和技术在可行性上的支持,本文提出了面向电商领域的产品评论数据辅助的智能问答模型RDQA。整体上来看,本文所提出的RDQA模型基于Seq2Seq的序列编码结构,以电商平台下的用户提出的问题作为输入,生成的答案作为模型的输出,产品的评论数据作为外部知识补充,辅助答案生成。具体地,RDQA利用语义相似度的方法从产品评论中抽取有价值的单词信息,构成了非结构化的图网络。同时,RDQA模型采用Transformer网络作为Seq2Seq计算的基本单元,并使用输入序列的语义编码通过注意力机制来更新图节点的表示。在生成答案的过程中,通过输入序列的语义编码和图节点的表示,动态的更新生成过程中的隐层状态向量,最终实现下一个单词的预测。由于电商平台用户生成内容的随意些,为了避免生成的答案中含有太多的重复性词语,RDQA模型在预测过程中引入了指针生成网络机制,赋予模型从输入序列中选择词语作为输出的能力。最后,本文将RDQA方法与目前最先进的基于神经网络的生成式问答模型进行了比对分析,在两个公开的真实电商平台数据集上的实验结果均表明,RDQA模型在面向电商领域产品相关的智能答案生成效果上优于现有的答案生成方法。对于后续的研究工作,我们将继续根据用户依图优化关于产品评论数据知识抽取的工作,尝试利用不同用户之间的购物习惯相似性和偏好相似性等社交信息,从而带动电商场景下产品相关的智能问答系统的进一步发展。