QQSUM: Новая задача и модель количественного реферирования с фокусом на запросы для ответов на вопросы о продуктах на основе отзывов

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

June 4, 2025

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

cs.AI

Аннотация

Ответы на вопросы о продуктах на основе отзывов (PQA) позволяют платформам электронной коммерции автоматически отвечать на запросы клиентов, используя информацию из пользовательских отзывов. Однако существующие системы PQA генерируют ответы, отражающие лишь одну точку зрения, не учитывая разнообразия мнений клиентов. В данной статье мы представляем новую задачу — количественное суммирование, ориентированное на запросы (QQSUM), которая направлена на обобщение различных мнений клиентов в репрезентативные ключевые моменты (KPs) и количественную оценку их распространённости для эффективного ответа на запросы пользователей. Хотя подход Retrieval-Augmented Generation (RAG) демонстрирует потенциал для PQA, генерируемые им ответы всё ещё не охватывают всего спектра мнений. Для решения этой проблемы наша модель QQSUM-RAG, расширяющая RAG, использует обучение с малым количеством примеров для совместного обучения поискового механизма, ориентированного на KPs, и генератора сводок по KPs, что позволяет создавать сводки, отражающие разнообразные и репрезентативные мнения. Результаты экспериментов показывают, что QQSUM-RAG превосходит современные базовые модели RAG как по качеству текста, так и по точности количественной оценки мнений. Наш исходный код доступен по адресу: 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