![再现亚马逊新的人工智能生成功能：产品评论摘要 [译]](https://miro.medium.com/v2/resize:fit:1400/1*4u4fUhNgYwqWdt-a6cBsjw.png)
再现亚马逊新的人工智能生成功能：产品评论摘要 [译]
内容提要
亚马逊于2023年推出AI生成的“顾客说”评论摘要功能。本文介绍如何用Weaviate向量数据库和OpenAI的gpt-3.5-turbo复现该功能，采用生成式反馈循环：先导入音乐器材评论数据集，按产品检索评论并嵌入提示模板生成摘要，再存回数据库。示例摘要准确概括了价格实惠、有效消除爆音等要点。实际应用还需改进提示工程、处理超长评论及筛选可靠评论。
延伸解读
生成式反馈循环：从数据到摘要再回存
文章的核心实现思路是“生成式反馈循环”：先从向量数据库中按产品检索评论，将评论文本嵌入提示模板，调用大语言模型生成摘要，再将摘要作为新数据对象存回数据库。这一循环让原始评论与生成摘要形成可追溯的关联，便于后续查询和扩展。读者可借此理解，AI摘要并非一次性输出，而是可被系统持续复用和迭代的数据资产。
向量数据库与LLM的集成方式
示例使用Weaviate的嵌入式选项和OpenAI的gpt-3.5-turbo，通过Weaviate内置的生成模块直接调用模型，无需额外安装包。模式定义时对product_id和reviewer_id跳过向量化以降低推理成本，仅对评论文本进行向量化。这种设计表明，在构建类似功能时，可以按需选择向量化字段，平衡成本与检索能力。
示例摘要的效果与局限
针对音乐器材评论数据集中的一款防喷罩，生成的摘要准确概括了价格实惠、有效消除爆音、双网过滤、金属夹稳固等要点，并提及鹅颈管需小心定位的次要问题。这说明该方法能提取多评论中的共性观点。但文章也指出，实际应用还需改进提示工程、处理超长评论以及筛选可靠评论，当前示例仅验证了基本流程的可行性。
Q&A
亚马逊的AI评论摘要功能是什么？它有什么特点？
亚马逊于2023年8月14日推出了一项生成式AI功能，名为“顾客说”，位于商品评论区顶部。它利用AI将成千上万条经过验证的用户评论总结成一小段文字，描述顾客感受，并明确声明由AI生成。功能中还包含跨评论提及的AI生成产品特性，便于顾客筛选提及这些特性的评论。目前该功能处于试验阶段，仅向美国部分移动端用户和选定商品提供。
如何用Weaviate和OpenAI复现亚马逊的评论摘要功能？
复现步骤基于“生成式反馈循环”：1. 使用Weaviate向量数据库存储评论数据，并集成OpenAI的gpt-3.5-turbo作为生成模型。2. 导入Amazon Musical Instruments Reviews数据集（约1万条评论）。3. 定义模式，将评论数据（review_text、product_id、reviewer_id）存入Weaviate，跳过向量化以节省成本。4. 对于每个产品，检索其所有评论，嵌入提示模板“Summarize these customer reviews into a one-paragraph long overall review:{review_text}”，通过Weaviate的生成式搜索生成摘要。5. 将生成的摘要与产品ID一起存入新的Products数据集。
生成式反馈循环是什么？它在评论摘要中如何应用？
生成式反馈循环是一种概念：从数据库中提取信息，用以触发生成模型创造新数据，然后将新数据存回数据库。在评论摘要应用中，首先从Weaviate数据库中检索特定产品的所有评论，将这些评论嵌入提示模板，输入给OpenAI的gpt-3.5-turbo生成摘要，最后将摘要存回数据库（Products类）。这样循环往复，可以为所有产品生成摘要。
复现评论摘要功能需要哪些准备工作？
需要准备：1. 数据库：使用Weaviate向量数据库，可采用Embedded选项进行实验，无需注册或配置API密钥。2. 生成模型：使用OpenAI的gpt-3.5-turbo，需设置OPENAI_API_KEY环境变量。3. 数据集：选用Amazon Musical Instruments Reviews数据集（CC0许可），包含10,254条评论，覆盖900种产品。4. 安装weaviate-client包，并确保OpenAI生成模块已集成到Weaviate中。
生成的评论摘要效果如何？能举个例子吗？
生成的摘要能准确概括评论的主要观点。例如，对于产品ASIN 1384719342（一款防喷罩），摘要指出：顾客高度满意，称赞其有效过滤喷音，录音清晰；尽管价格低，但性能与昂贵选项相当；顾客欣赏双层筛网和令人愉悦的气味；设备能阻挡呼吸喷音而不降低音量或高频；金属夹钳牢固附着麦克风架；唯一小问题是鹅颈需要仔细定位以避免下垂。总体推荐用于人声录音。
要将此功能投入实际应用，还需要改进哪些方面？
实际应用还需改进：1. 提示工程：优化提示模板以提高摘要质量。2. 处理超长评论：当评论数量超出模型处理能力时，需要解决方案（如分批处理或总结）。3. 筛选可靠评论：确保只使用可靠评论生成摘要。此外，本文未介绍如何利用AI突出评论重点，但这是可能的扩展方向。
