本研究基于神经网络、自然语言处理和 Prolog 设计了一套对话引擎，可与排名文本数据库进行交互，在利用句法信息和 WordNet 等语义信息后能够动态展示文本图表中最相关的内容元素。

Jul, 2020

本文利用多句压缩图技术推动无监督抽象对话摘要的研究前沿，通过路径重新排列和主题分段方案提升算法可靠性，并在跨领域数据集上实现算法健壮性。我们还探讨了将深度学习与启发式系统相结合的方案，以提高算法性能。我们开源我们的代码，为未来无监督对话摘要的研究提供了一个强有力的、可重复的基线。

May, 2022

本文提出了基于图神经网络（GNN）的抽取式摘要模型，并整合了深度神经主题模型（NTM）来发现潜在主题，从而提供句子选择的文档级特征，实验结果表明，我们的模型在 CNN/DM 和 NYT 数据集上取得了最先进的结果，在由较长文档组成的科学论文数据集上也明显优于现有方法，进一步研究表明，主题信息可以帮助模型从整个文档中预先选择凸显内容，因此能够有效地摘要长文档。

Oct, 2020

本文研究了使用引文图来提高科学论文摘要生成的质量，提出了两种方法：为任务提供简单而低成本的多粒度无监督摘要生成方法 (MUS)，以及对大量标记数据具有更准确结果的基于图的监督摘要方法 (GSS)，并在公共基准数据集上进行了实验验证以证明方法的有效性。

Dec, 2022

本文介绍了针对文本数据的关键词提取和文本摘要的处理方法，介绍了一种基于 TextRank 算法的无监督学习方法，在其基础上提高了算法的效率，并针对其忽略了不同部分的语义相似性进行了改进。此外，还开发了一种基于该框架的主题聚类算法，可单独使用或作为生成摘要的一部分来解决文本覆盖问题。

Dec, 2022

该研究提出了一种基于 T5 架构的多任务半监督环境下联合学习文本图谱提取和图谱生成的解决方案，此方法在 WebNLG 数据集中表现优于无监督最新成果，且相较于有监督模型更具一致性。

Feb, 2022

本文提出了一种神经抽象的文档多摘要模型，该模型利用文档之间的相似性图和话语图等知名图形表示来更有效地处理多个输入文档并生成抽象的摘要，其利用图形编码文档以捕捉跨文档关系，可以利用图形来指导摘要生成过程，结果表明该架构相比多个强基线带来了实质性的改进。

May, 2020

本研究介绍了一种创新的文本摘要方法，利用图神经网络（GNNs）和命名实体识别（NER）系统的能力，以提高摘要的效率和内容的相关性，为处理信息饱和世界中日益增长的文本数据量提供了一个有希望的方向。

Feb, 2024

通过将序列编码器与图形成分扩展，我们开发了一个框架，旨在处理文本等弱结构化数据中的长距离关系，从而实现对序列的概括。在广泛的评估中，我们展示了这种混合模型的优越性。

Nov, 2018

本研究提出了一种无监督的关键词提取模型，该模型通过多方图结构将主题信息进行编码，并利用关键词和主题之间的相互关系来提高候选关键词的排名，同时引入了新颖的机制来纳入关键词选择偏好。在三个广泛使用的数据集上的实验表明，该模型相比于现有的基于图形的模型具有显著的改进。

Mar, 2018