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

要約

レビューベースの製品質問応答（PQA）により、ユーザーレビューからの洞察を活用することにより、eコマースプラットフォームが顧客クエリに自動的に対処することができます。
ただし、既存のPQAシステムは、顧客の意見の多様性を把握できず、単一の視点でのみ回答を生成します。
このペーパーでは、多様な顧客の意見を代表的なキーポイント（KPS）に要約し、ユーザークエリに効果的に回答するための普及を定量化することを目的とした、新しいタスクの定量的クエリに焦点を当てた要約（QQSUM）を紹介します。
検索された生成（RAG）はPQAに有望である一方で、その生成された答えは依然として視点の完全な多様性を捉えていない。
この課題に取り組むために、RAGを拡張するモデルQQSum-Ragは、KP指向のレトリバーとKPサマリジェネレーターを共同でトレーニングするために少数のショット学習を採用しており、多様で代表的な意見をキャプチャするKPベースの要約を可能にします。
実験結果は、QQSum-Ragが、意見のテキスト品質と定量化の精度の両方において、最先端のRAGベースラインと比較して優れたパフォーマンスを達成することを示しています。
ソースコードは、https：//github.com/antangrocket1312/qqsummで入手できます

要約(オリジナル)

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

arxiv情報

提供元, 利用サービス

arxiv.jp, Google