QQSUM: Eine neue Aufgabe und ein Modell für die quantitative, abfragefokussierte Zusammenfassung zur beurteilungsbasierten Produktfragebeantwortung
QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering
June 4, 2025
Autoren: An Quang Tang, Xiuzhen Zhang, Minh Ngoc Dinh, Zhuang Li
cs.AI
Zusammenfassung
Review-basierte Produktfragenbeantwortung (PQA) ermöglicht es E-Commerce-Plattformen, Kundenanfragen automatisch zu beantworten, indem sie Erkenntnisse aus Nutzerbewertungen nutzen. Bisherige PQA-Systeme generieren jedoch Antworten mit nur einer einzigen Perspektive und erfassen somit nicht die Vielfalt der Kundenmeinungen. In diesem Artikel stellen wir eine neuartige Aufgabe vor, die Quantitative Query-Focused Summarization (QQSUM), die darauf abzielt, unterschiedliche Kundenmeinungen in repräsentative Schlüsselpunkte (KPs) zusammenzufassen und deren Häufigkeit zu quantifizieren, um Benutzeranfragen effektiv zu beantworten. Obwohl Retrieval-Augmented Generation (RAG) vielversprechend für PQA ist, erfassen die generierten Antworten immer noch nicht die gesamte Bandbreite der Ansichten. Um diese Herausforderung zu bewältigen, erweitert unser Modell QQSUM-RAG, das auf RAG basiert, Few-Shot-Learning, um einen KP-orientierten Retriever und einen KP-Zusammenfassungsgenerator gemeinsam zu trainieren. Dies ermöglicht KP-basierte Zusammenfassungen, die diverse und repräsentative Meinungen erfassen. Experimentelle Ergebnisse zeigen, dass QQSUM-RAG im Vergleich zu state-of-the-art RAG-Baselines sowohl in der textuellen Qualität als auch in der Quantifizierungsgenauigkeit der Meinungen überlegene Leistung erzielt. Unser Quellcode ist verfügbar unter: https://github.com/antangrocket1312/QQSUMM
English
Review-based Product Question Answering (PQA) allows e-commerce platforms to
automatically address customer queries by leveraging insights from user
reviews. However, existing PQA systems generate answers with only a single
perspective, failing to capture the diversity of customer opinions. In this
paper we introduce a novel task Quantitative Query-Focused Summarization
(QQSUM), which aims to summarize diverse customer opinions into representative
Key Points (KPs) and quantify their prevalence to effectively answer user
queries. While Retrieval-Augmented Generation (RAG) shows promise for PQA, its
generated answers still fall short of capturing the full diversity of
viewpoints. To tackle this challenge, our model QQSUM-RAG, which extends RAG,
employs few-shot learning to jointly train a KP-oriented retriever and a KP
summary generator, enabling KP-based summaries that capture diverse and
representative opinions. Experimental results demonstrate that QQSUM-RAG
achieves superior performance compared to state-of-the-art RAG baselines in
both textual quality and quantification accuracy of opinions. Our source code
is available at: https://github.com/antangrocket1312/QQSUMM