QQSUM: Uma Nova Tarefa e Modelo de Sumarização Quantitativa Centrada em Consultas para Respostas a Perguntas sobre Produtos Baseadas em Avaliações

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

June 4, 2025

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

cs.AI

Resumo

A Resposta a Perguntas sobre Produtos Baseada em Análises (PQA) permite que plataformas de comércio eletrônico respondam automaticamente às consultas dos clientes, aproveitando insights de avaliações de usuários. No entanto, os sistemas PQA existentes geram respostas com apenas uma única perspectiva, falhando em capturar a diversidade de opiniões dos clientes. Neste artigo, introduzimos uma nova tarefa chamada Sumarização Quantitativa Focada em Consultas (QQSUM), que visa resumir diversas opiniões de clientes em Pontos-Chave (KPs) representativos e quantificar sua prevalência para responder efetivamente às consultas dos usuários. Embora a Geração Aumentada por Recuperação (RAG) mostre potencial para PQA, as respostas geradas ainda não conseguem capturar a total diversidade de pontos de vista. Para enfrentar esse desafio, nosso modelo QQSUM-RAG, que estende o RAG, emprega aprendizado de poucos exemplos para treinar conjuntamente um recuperador orientado a KPs e um gerador de resumos de KPs, permitindo resumos baseados em KPs que capturam opiniões diversas e representativas. Resultados experimentais demonstram que o QQSUM-RAG alcança desempenho superior em comparação com as bases de RAG state-of-the-art, tanto em qualidade textual quanto na precisão da quantificação de opiniões. Nosso código-fonte está disponível em: 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