QQSUM : Une nouvelle tâche et un modèle de synthèse quantitative centrée sur la requête pour les systèmes de questions-réponses basés sur les avis produits

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

June 4, 2025

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

cs.AI

Résumé

Le système de Réponse aux Questions sur les Produits basé sur les Avis (PQA) permet aux plateformes de commerce électronique de répondre automatiquement aux requêtes des clients en exploitant les informations issues des avis utilisateurs. Cependant, les systèmes PQA existants génèrent des réponses présentant une perspective unique, ne parvenant pas à capturer la diversité des opinions des clients. Dans cet article, nous introduisons une nouvelle tâche appelée Synthèse Quantitative Centrée sur la Requête (QQSUM), qui vise à résumer les diverses opinions des clients en Points Clés (KPs) représentatifs et à quantifier leur prévalence pour répondre efficacement aux questions des utilisateurs. Bien que la Génération Augmentée par Récupération (RAG) montre des promesses pour le PQA, les réponses générées ne parviennent toujours pas à capturer toute la diversité des points de vue. Pour relever ce défi, notre modèle QQSUM-RAG, qui étend RAG, utilise l'apprentissage en few-shot pour entraîner conjointement un récupérateur orienté KPs et un générateur de résumés KPs, permettant ainsi des synthèses basées sur les KPs qui capturent des opinions diverses et représentatives. Les résultats expérimentaux démontrent que QQSUM-RAG obtient des performances supérieures par rapport aux modèles de référence RAG de pointe, tant en termes de qualité textuelle que de précision dans la quantification des opinions. Notre code source est disponible à l'adresse suivante : 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