开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

May, 2022

本研究针对多文档摘要提出了一种基于整数线性规划模型的生成式摘要的方法，实验结果表明，该方法在信息内容和可读性方面均优于基线和先进的抽取式摘要器，且胜过最近提出的生成式摘要技术。

Sep, 2016

本文主要探讨了目前单文档自动摘要所采用的句子提取和基于词袋模型的标题生成算法的不足，并提出了一种基于词语和短语对齐技术的自动化摘要算法。通过实验结果表明，该模型能够在 <文档，摘要> 数据集中可靠地识别单词和短语的对齐。

Jul, 2009

本文提出了一种基于联合提取和句法压缩的神经模型用于单文档摘要，该模型选择文档中的句子，通过句法分析识别可能的压缩，并用神经模型评分这些压缩以生成最终的摘要，实验结果表明，该模型在 ROUGE 评估中表现良好，能够达到与最先进系统相当的性能，并且其输出一般保持语法正确。

Feb, 2019

本文提出了一种新颖的神经网络架构用于抽象概括及句法解析的同时生成摘要，同时还描述了一种新颖的人工评估协议来评估摘要是否符合原始含义，经评估证明该方法在多个摘要数据集上与强基线相比表现出有竞争力的结果。

Nov, 2019

论文提出了一种基于神经网络和连续句子特征的数据驱动型抽取式摘要方法，采用层级文档编码器和基于注意力机制的提取器的通用框架，能够训练不同的摘要模型（提取句子或单词），在大规模语料库上进行实验结果表明，该方法在不需要语言注解的情况下取得了与现有技术相当的效果。

Mar, 2016

本研究旨在构建一个人类方法的框架，通过在统一空间中对单句和句对进行排名，以填补句子选择和融合的差距，支持通过压缩单句和融合句对来概括文献。在单篇和多篇文献总结数据集上开展广泛的实验，并报告了关于句子选择和抽象的发现。

May, 2019

本文介绍了一种基于聚类相似性的多文档综述方法，使用基于修改版 PageRank 算法和文本相关性考虑机制的混合模型的抽取方法，在每个聚类中选择最重要的句子生成摘要，并应用 BARTpho 和 ViT5 构建了缩写模型，结果表明该方法在 VLSP 2022 竞赛中取得了竞争力的成果。

Apr, 2023

本研究提出了一种抽象化汇总方法，可用于文档集合而非个别文档。我们的方法应用语义聚类、主题聚类内的文档大小缩减、聚类文件的语义分块、基于 GPT 的汇总和连接以及每个主题的综合情感和文本可视化，支持探索性数据分析。通过使用 ROGUE 汇总分数将我们的结果与现有的先进系统 BART、BRIO、PEGASUS 和 MoCa 进行了统计比较，我们发现在 CNN/Daily Mail 测试数据集上，性能与 BART 和 PEGASUS 相当，在 Gigaword 测试数据集上，性能与 BART 相当。这一发现是令人鼓舞的，因为我们认为文档集合的汇总比个别文档的汇总更具挑战性。最后，我们讨论了规模问题。

Oct, 2023

在这篇论文中，我们提出了一种新颖的端到端神经网络框架，通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明，我们的方法比现有的抽取式摘要模型表现出更好的效果。

Jul, 2018