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

本文提出了一种针对新闻摘要自动提取的无监督方法，该方法采用神经网络模型并结合基于图论的排名算法，使用 BERT 模型来更好地捕获句子意义，显著超过强基线的效果。

Jun, 2019

本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

May, 2020

一种简单的重新排序文档的方法，来提高多文档摘要的性能，从而更好地学习摘要模型。

Mar, 2022

研究了两种新策略以提高自动抽取摘要的句子相似度估计，其中对比学习优化了文本级目标，同时使用互相学习增强句子相似度估计与句子重要性排名之间的关系。实验结果显示了策略的有效性。

Feb, 2023

本文探讨如何运用交叉文档背书效应实现多文档摘要，方法是利用每个文件的综述作为认同者，从其他文件中鉴别显著内容，使用神经编码 - 解码模型整理它们，成为摘要。结果表明，这种方法在基准多文件摘要数据集上比目前基于规则的最强基线方法更为有效。

Oct, 2021

本研究旨在提出一种新闻类多文档摘要中信息排序的方法，该方法综合考虑事件的时间先后和主题相关性约束，经实验证实了该方法相对于两种基准方法有显著的排序改进。

Jun, 2011

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

通过使用点间互信息（PMI）计算相关性和冗余度量来提高提取性摘要，同时开展贪婪句子选择算法以最大化提取的句子的相关性和最小化冗余度。

Feb, 2021

本文提出使用双向注意机制，关注讨论帖子中的开头（初始评论 / 帖子），可以引入一致的 ROUGE 分数提升，并在论坛讨论数据集上引入新的 ROUGE 分数的最新技术，同时发现此假设是否可扩展到其他通用形式的文本数据，通过考虑文本中前几句话，关注开头句，使用双向注意机制可以让摘要提取模型在更通用的文本数据上性能得到提升。

Feb, 2020