تحديد الجمل المفيدة في مراجعات المنتج

في السنوات الأخيرة، اكتسب التسوق عبر الإنترنت زخما وأصبح مكانا مهما للعملاء الذين يرغبون في توفير الوقت وتبسيط عملية التسوق الخاصة بهم. إن ميزة أساسية للتسوق عبر الإنترنت هي القدرة على قراءة ما يقوله العملاء الآخرون حول منتجات الاهتمام. في هذا العمل، نهدف إلى الحفاظ على هذه الميزة في المواقف التي يحتاج فيها الإيجاز الشديد، على سبيل المثال، عند التسوق عن طريق الصوت. نقترح مهمة جديدة لاستخراج جملة مفيدة لممثل واحد من مجموعة من الاستعراضات لمنتج معين. يجب أن تلبي الجملة المحددة شرطين: أولا، يجب أن تكون مفيدة لقرار الشراء والثاني، يجب دعم الرأي الذي يعبر عنه من قبل مراجعات متعددة. ترتبط هذه المهمة ارتباطا وثيقا بمهمة تلخيص المستندات المتعددة في نطاق مراجعات المنتج ولكنها تختلف في هدفها ومستوى موجزه. نقوم بجمع مجموعة بيانات باللغة الإنجليزية من الجملة، سهولة الوصول إلى النتائج عبر مصادر الجماهير وإظهار موثوقيتها على الرغم من النشاطية المتأصلة المعنية. بعد ذلك، وصفنا نموذجا كاملا يمسكت جمل مفيدة للممثل مع مشاعر إيجابية وسالبة تجاه المنتج وإظهار أنه يتفوق على العديد من خطوط الأساس.

In recent years online shopping has gained momentum and became an important venue for customers wishing to save time and simplify their shopping process. A key advantage of shopping online is the ability to read what other customers are saying about products of interest. In this work, we aim to maintain this advantage in situations where extreme brevity is needed, for example, when shopping by voice. We suggest a novel task of extracting a single representative helpful sentence from a set of reviews for a given product. The selected sentence should meet two conditions: first, it should be helpful for a purchase decision and second, the opinion it expresses should be supported by multiple reviewers. This task is closely related to the task of Multi Document Summarization in the product reviews domain but differs in its objective and its level of conciseness. We collect a dataset in English of sentence helpfulness scores via crowd-sourcing and demonstrate its reliability despite the inherent subjectivity involved. Next, we describe a complete model that extracts representative helpful sentences with positive and negative sentiment towards the product and demonstrate that it outperforms several baselines.