现有研究表明，代码摘要有助于开发人员理解和维护源代码。然而，软件项目中的这些摘要通常缺失或过时。本文提出了一种名为 EditSum 的新型检索编辑方法，用于代码摘要，旨在自动生成源代码的自然语言描述。实验结果表明，EditSum 在预测模式化单词和关键词方面表现出色，而且人工评估也证明了 EditSum 生成的摘要更具信息量和实用性。

Aug, 2023

提出使用上下文相关网络和预训练的语言模型来提高抽象文本摘要的生成水平和使用新颖度度量来优化生成的摘要，从而实现比现有方法更高水平的摘要生成。

Aug, 2018

本文首次给出了代码概括模型所发现的模式的形式化定义，并提出了一种推断正则语言文法的声学算法。 PATIC 对代码 2vec 和代码 2seq 进行了评估并发现提取出的模式受限于局部和语法代码结构并缺乏语义含义。基于这些发现，本文介绍了正式定义模式的两个新方法：评估健壮性和提高代码概括模型的准确性。

Mar, 2023

本文旨在评估现代多文档摘要模型在混合输入时是否能够适当地综合输出，并提出了一种改进模型综合能力的方法，即通过生成多样的候选输出并在这些中选择与期望聚合度量最能匹配的字符串或在模型产生的候选项不好时选择回避。

Jan, 2023

本研究提出一种新方法，通过生成多个变体的目标摘要，这些摘要具有不同的内容和不同的长度，并根据用户的需要进行评分和选择，该方法可用于控制摘要长度，从而实现最佳的信息概括，保证真实性并确保流畅。

Apr, 2021

通过学习自单一人类摘要信息，我们提出了一种神经网络摘要模型，该模型可以生成从纯粹提取式到高度生成式的多种摘要假设，并在控制文本复制的同时实现训练和解码阶段内的控制，从而实现了竞争性的结果。

Nov, 2019

提出了一种自适应模型 GEMINI 来生成摘要句，它可以模仿人工摘要的句子重写和融合技术，并且可以根据输入文本选择重写某个文档句子或从头生成摘要句。实验结果显示，该自适应方法在各种基准数据集上表现更优，尤其在样式分布均衡的数据集上表现更好，并且每个摘要句的人工写作风格可以通过上下文进行预测。

Apr, 2023

该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子，生成一个简洁的摘要，用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。

Apr, 2022

TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是，这些模型都存在引入不受支持语句的倾向，不适用于当前领域。所提出的架构可以帮助用户验证输出，使用户能够将生成的令牌追溯到输入。

Mar, 2023

在信息时代，人们阅读冗长的新闻文章的时间越来越少，提供简洁的信息摘要变得比以往任何时候都更为重要。本文旨在改进现有的架构和模型，针对抽象文本摘要进行微调超参数，并尝试特定的编码器 - 解码器组合，以提高摘要生成的效果。

Mar, 2024