⏶2
QQSUM: 一个面向基于评论的产品问答的量化查询聚焦式摘要新颖的任务与模型
发表
由 
Zhuang Li 提交
Zhuang Li 提交作者: An Quang Tang, Xiuzhen Zhang, Minh Ngoc Dinh, Zhuang Li
摘要
基于评论的产品问答 (PQA) 使得电子商务平台能够利用用户评论中的洞察，自动回答客户查询。然而，现有的 PQA 系统生成的答案只包含单一视角，未能捕捉客户意见的多样性。在本文中，我们引入了一项新颖的任务——量化查询导向摘要 (QQSUM)，旨在将多样化的客户意见总结为具有代表性的关键点 (KPs)，并量化其普遍性，以有效回答用户查询。尽管检索增强生成 (RAG) 在 PQA 方面展现出潜力，但其生成的答案仍未能充分捕捉观点的全面多样性。为了应对这一挑战，我们的模型 QQSUM-RAG（它扩展了 RAG）采用小样本学习，联合训练一个面向关键点的检索器和一个关键点摘要生成器，从而实现能够捕捉多样化且具有代表性意见的基于关键点的摘要。实验结果表明，与最先进的 RAG 基线相比，QQSUM-RAG 在文本质量和意见量化准确性方面均表现出卓越性能。我们的源代码可在以下地址获取：https://github.com/antangrocket1312/QQSUMM
基于评论的产品问答（PQA）系统使电子商务平台能够利用用户评论中的洞察力自动回答客户查询。然而，现有的PQA系统生成的答案视角单一，未能捕捉到客户意见的多样性。在本文中，我们引入了一项新颖的任务，即量化查询聚焦摘要（QQSUM），旨在将多样化的客户意见总结为具有代表性的关键点（KPs），并量化其普遍性，从而有效回答用户查询。尽管检索增强生成（RAG）在PQA方面显示出前景，但其生成的答案仍未能充分捕捉观点的多样性。为了应对这一挑战，我们扩展了RAG的模型QQSUM-RAG，采用少样本学习来联合训练一个面向关键点的检索器和一个关键点摘要生成器，从而实现基于关键点的摘要，捕捉多样化和具有代表性的意见。实验结果表明，与最先进的RAG基线相比，QQSUM-RAG在文本质量和意见量化准确性方面都取得了卓越的性能。我们的源代码可在以下链接获取：https://github.com/antangrocket1312/QQSUMM