QQSUM: Een Nieuwe Taak en Model voor Kwantitatieve Query-Gerichte Samenvatting bij Review-Gebaseerde Productvraagbeantwoording

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

Samenvatting

Review-based Product Question Answering (PQA) stelt e-commerceplatforms in staat om klantvragen automatisch te beantwoorden door gebruik te maken van inzichten uit gebruikersrecensies. Bestaande PQA-systemen genereren echter antwoorden met slechts één perspectief, waardoor de diversiteit aan klantopvattingen niet wordt vastgelegd. In dit artikel introduceren we een nieuwe taak genaamd Quantitative Query-Focused Summarization (QQSUM), die als doel heeft om diverse klantopvattingen samen te vatten in representatieve Kernpunten (KPs) en hun prevalentie te kwantificeren om gebruikersvragen effectief te beantwoorden. Hoewel Retrieval-Augmented Generation (RAG) veelbelovend is voor PQA, voldoen de gegenereerde antwoorden nog steeds niet aan de volledige diversiteit van standpunten. Om deze uitdaging aan te pakken, gebruikt ons model QQSUM-RAG, dat RAG uitbreidt, few-shot learning om een KP-georiënteerde retriever en een KP-samenvattingsgenerator gezamenlijk te trainen, waardoor KP-gebaseerde samenvattingen mogelijk worden die diverse en representatieve opvattingen vastleggen. Experimentele resultaten tonen aan dat QQSUM-RAG superieure prestaties behaalt in vergelijking met state-of-the-art RAG-baselines, zowel wat betreft tekstuele kwaliteit als de nauwkeurigheid van opiniekwantificatie. Onze broncode is beschikbaar op: 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