QQSUM: Una Tarea y Modelo Novedosos de Resumen Cuantitativo Centrado en Consultas para la Respuesta a Preguntas sobre Productos Basada en Reseñas

QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering

June 4, 2025

Autores: An Quang Tang, Xiuzhen Zhang, Minh Ngoc Dinh, Zhuang Li

cs.AI

Resumen

La Respuesta a Preguntas sobre Productos basada en Reseñas (PQA, por sus siglas en inglés) permite a las plataformas de comercio electrónico abordar automáticamente las consultas de los clientes aprovechando los conocimientos extraídos de las reseñas de usuarios. Sin embargo, los sistemas PQA existentes generan respuestas con una sola perspectiva, sin capturar la diversidad de opiniones de los clientes. En este artículo, presentamos una nueva tarea denominada Resumen Cuantitativo Enfocado en Consultas (QQSUM), cuyo objetivo es resumir las diversas opiniones de los clientes en Puntos Clave (KPs, por sus siglas en inglés) representativos y cuantificar su prevalencia para responder eficazmente a las consultas de los usuarios. Aunque la Generación Aumentada con Recuperación (RAG, por sus siglas en inglés) muestra potencial para PQA, las respuestas generadas aún no logran capturar la diversidad completa de puntos de vista. Para abordar este desafío, nuestro modelo QQSUM-RAG, que extiende RAG, emplea aprendizaje con pocos ejemplos para entrenar conjuntamente un recuperador orientado a KPs y un generador de resúmenes de KPs, lo que permite resúmenes basados en KPs que capturan opiniones diversas y representativas. Los resultados experimentales demuestran que QQSUM-RAG logra un rendimiento superior en comparación con los modelos RAG de última generación, tanto en la calidad textual como en la precisión de la cuantificación de opiniones. Nuestro código fuente está disponible en: 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