随着信息技术的普及,电子商务领域得到了蓬勃的发展,网络购物带来便利的同时,弊端也逐渐显现。线上狭窄且局限的信息获取方式,使得用户无法直观的获取商品相关性信息,造成大量的时间消耗和较差的用户体验。为了降低客户的流失率,各大电商平台开始探索利用智能问答系统来缓解用户浏览及过滤信息的时间成本。然而现有的智能问答系统因其响应速率及依赖结构化知识库等一系列问题而无法在电商领域得到广泛的应用。因此,针对电商领域问答系统的需求现状及现有工作中存在的不足,本文创新性的提出了利用非结构化评论信息引导回答生成的思想,同时提出了一种以多层门控卷积神经网络为基础的快速回答生成模型RAGE。该模型从整体结构、评论的抽取、表示及融合四个方面综合解决生成模型响应速率及生成质量的问题,进而提高生成回答的真实性及有效性。整体结构方面,本文将以往工作中所使用的循环神经网络替换为多层门控卷积神经网络,同时引入位置信息和词性信息提高门控卷积神经网络的位置敏感性及词法语义的建模能力;评论抽取方面,本文利用滑动窗口及Word Mover’s Distance的方式来进行高质量的评论片段集合的抽取;相关评论片段集合表示方面,本文创新性的提出以词频及词间内聚性协同作用的方式对评论片段集合进行抗噪表示;评论信息融合方面,本文选择通过层次注意力机制和门控机制的方式将评论信息引入回答生成器中。最后,本文在两个真实的电商数据集上对RAGE及五个对比模型进行实验分析,并且从多个主、客观评价角度综合衡量模型效果。实验证明,相比于现有的工作,RAGE能够更加快速的生成具有通顺性,贴合问题语义且包含丰富信息的回答。