QQSUM: Un Nuovo Compito e Modello per la Sintesi Quantitativa Centrata sulla Query nel Contesto delle Domande sui Prodotti Basate sulle Recensioni

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

June 4, 2025

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

cs.AI

Abstract

Il sistema di Risposte alle Domande sui Prodotti basate su Recensioni (PQA) consente alle piattaforme di e-commerce di rispondere automaticamente alle domande dei clienti sfruttando le informazioni provenienti dalle recensioni degli utenti. Tuttavia, gli attuali sistemi PQA generano risposte con una sola prospettiva, non riuscendo a cogliere la diversità delle opinioni dei clienti. In questo articolo introduciamo un nuovo compito chiamato Sintesi Quantitativa Focalizzata sulla Query (QQSUM), che mira a riassumere le diverse opinioni dei clienti in Punti Chiave (KPs) rappresentativi e a quantificarne la prevalenza per rispondere efficacemente alle domande degli utenti. Sebbene la Generazione Aumentata dal Recupero (RAG) mostri promesse per il PQA, le risposte generate non riescono ancora a catturare appieno la diversità dei punti di vista. Per affrontare questa sfida, il nostro modello QQSUM-RAG, che estende RAG, utilizza l'apprendimento few-shot per addestrare congiuntamente un retriever orientato ai KPs e un generatore di sintesi di KPs, consentendo sintesi basate sui KPs che catturano opinioni diverse e rappresentative. I risultati sperimentali dimostrano che QQSUM-RAG raggiunge prestazioni superiori rispetto ai baseline RAG all'avanguardia sia nella qualità testuale che nell'accuratezza della quantificazione delle opinioni. Il nostro codice sorgente è disponibile all'indirizzo: 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