QQSUM: レビューベース製品質問応答のための定量的クエリ焦点型要約の新規タスクとモデル

要旨

レビューベースの製品質問応答（PQA）は、eコマースプラットフォームがユーザーレビューから得られた知見を活用して、顧客の質問に自動的に対応することを可能にします。しかし、既存のPQAシステムは単一の視点に基づく回答を生成するため、顧客の多様な意見を捉えることができません。本論文では、多様な顧客の意見を代表的なキーポイント（KP）に要約し、その普及度を定量化することでユーザーの質問に効果的に答えることを目的とした新しいタスク「定量的クエリ焦点型要約（QQSUM）」を提案します。検索拡張生成（RAG）はPQAにおいて有望ですが、生成される回答は依然として視点の完全な多様性を捉えるには至りません。この課題に対処するため、我々のモデルQQSUM-RAGはRAGを拡張し、KP指向の検索器とKP要約生成器を共同で訓練するためのFew-shot学習を採用し、多様で代表的な意見を捉えたKPベースの要約を可能にします。実験結果は、QQSUM-RAGがテキスト品質と意見の定量化精度の両方において、最先端のRAGベースラインを上回る性能を達成することを示しています。ソースコードは以下で公開されています: 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

QQSUM: レビューベース製品質問応答のための定量的クエリ焦点型要約の新規タスクとモデル

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

要旨

Support