eC-Tab2Text: aspect-based text generation from e-commerce product tables

Abstract

Los Grandes Modelos de Lenguaje (LLMs) han demostrado una versatilidad excepcional en diversos dominios; sin embargo, su aplicación en el comercio electrónico sigue estando poco explorada debido a la falta de conjuntos de datos específicos del dominio. Para abordar esta brecha, introducimos eC-Tab2Text, un conjunto de datos novedoso diseñado para capturar las complejidades del comercio electrónico, incluyendo atributos detallados de productos y consultas específicas de los usuarios. Aprovechando eC-Tab2Text, nos centramos en la generación de texto a partir de tablas de productos, permitiendo a los LLMs producir reseñas de productos de alta calidad y específicas por atributos a partir de datos tabulares estructurados. Los modelos ajustados (fine-tuned) fueron evaluados rigurosamente utilizando métricas estándar de Tabla-a-Texto (Table2Text), junto con evaluaciones de corrección, fidelidad y fluidez. Nuestros resultados demuestran mejoras sustanciales en la generación de reseñas contextualmente precisas, destacando el potencial transformador de los conjuntos de datos personalizados y las metodologías de ajuste fino para optimizar los flujos de trabajo del comercio electrónico. Este trabajo resalta el potencial de los LLMs en los flujos de trabajo del comercio electrónico y el papel esencial de los conjuntos de datos específicos del dominio para adaptarlos a los desafíos particulares de la industria.

Large Language Models (LLMs) have demonstrated exceptional versatility across diverse domains, yet their application in e-commerce remains underexplored due to a lack of domain-specific datasets. To address this gap, we introduce eC-Tab2Text, a novel dataset designed to capture the intricacies of e-commerce, including detailed product attributes and user-specific queries. Leveraging eC-Tab2Text, we focus on text generation from product tables, enabling LLMs to produce high-quality, attribute-specific product reviews from structured tabular data. Fine-tuned models were rigorously evaluated using standard Table2Text metrics, alongside correctness, faithfulness, and fluency assessments. Our results demonstrate substantial improvements in generating contextually accurate reviews, highlighting the transformative potential of tailored datasets and fine-tuning methodologies in optimizing e-commerce workflows. This work highlights the potential of LLMs in e-commerce workflows and the essential role of domain-specific datasets in tailoring them to industry-specific challenges.