QQSUM: 리뷰 기반 제품 질의응답을 위한 정량적 질의 중심 요약의 새로운 과제 및 모델
QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering
June 4, 2025
저자: An Quang Tang, Xiuzhen Zhang, Minh Ngoc Dinh, Zhuang Li
cs.AI
초록
리뷰 기반 제품 질문 응답(Product Question Answering, PQA)은 전자상거래 플랫폼이 사용자 리뷰에서 얻은 통찰을 활용해 고객 문의를 자동으로 처리할 수 있게 합니다. 그러나 기존 PQA 시스템은 단일 관점에서만 답변을 생성하여 다양한 고객 의견을 포착하지 못하는 한계가 있습니다. 본 논문에서는 다양한 고객 의견을 대표적인 핵심 포인트(Key Points, KPs)로 요약하고 그 보편성을 정량화하여 사용자 질문에 효과적으로 답변하는 새로운 과제인 정량적 질문 중심 요약(Quantitative Query-Focused Summarization, QQSUM)을 소개합니다. 검색 증강 생성(Retrieval-Augmented Generation, RAG)은 PQA에 유망한 접근법이지만, 생성된 답변은 여전히 다양한 관점을 충분히 반영하지 못합니다. 이를 해결하기 위해, 우리는 RAG를 확장한 QQSUM-RAG 모델을 제안합니다. 이 모델은 소수 샷 학습(few-shot learning)을 통해 KP 중심 검색기와 KP 요약 생성기를 공동으로 학습시켜, 다양하고 대표적인 의견을 반영한 KP 기반 요약을 가능하게 합니다. 실험 결과는 QQSUM-RAG가 텍스트 품질과 의견 정량화 정확도 모두에서 최신 RAG 기준 모델을 능가하는 우수한 성능을 달성함을 보여줍니다. 소스 코드는 https://github.com/antangrocket1312/QQSUMM에서 확인할 수 있습니다.
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