本文提出了一种神经摘要模型，能够通过简单而有效的机制实现用户对文本长度、风格、感兴趣的实体等高级属性的控制，以生成符合用户需求的高质量摘要，并在 CNN-Dailymail 数据集上优于现有的自动化系统和人工评价。

Nov, 2017

本研究提出有效的长度控制模块 Length Attention (LenAtten)，在固定长度自动摘要任务中，我们的模型在长度控制性能方面高出 CNN/Daily Mail 数据集中表现最好的长度可控自动摘要模型 732 倍，并且在 ROGUE 得分和泛化能力方面也有显著提高。

Jun, 2021

该论文提出了一种能够精确控制文本长度的文本生成框架，可以生成指定数量的词语或句子的摘要，且在维持或提高文本质量的同时，通过联合训练模型预测长度，实现生成最佳长度的摘要。作者对该框架在 CNNDM 数据集上进行了评估，结果表明其性能优于现有方法。

May, 2023

一种基于孪生网络的无监督抽取式摘要模型，引入了可训练的双向预测目标，在选定的摘要和原始文档之间进行训练。与基于中心性排名的方法不同，我们的抽取式评分器可以进行端到端训练，无需位置假设。此外，我们通过近似 0-1 背包问题求解器引入了一个可微分的长度控制模块，用于端到端可控制长度的抽取。实验证明，相同的句子编码器下，我们的无监督方法在很大程度上优于基于中心性排名的基准方法。在长度控制能力方面，通过我们可训练的背包模块，性能始终优于强基准方法，而无需进行端到端训练。人工评估进一步证明，我们的方法在相关性和一致性方面优于基准方法。

Dec, 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

该研究提出了一种简单而有效的方法，将正弦位置编码扩展到神经编码器 - 解码器模型中，以保持长度限制，可生成任意长度的文本，并提高 ROUGE 分数。

Apr, 2019

本文提出两种基于解码和两种基于学习的方法，用于控制神经编码器 - 解码器模型的输出序列长度，结果表明学习方法在摘要生成任务中具有控制长度而不降低摘要质量的能力。

Sep, 2016

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

本文提出一种基于 CTC 模型的动态规划算法，用于实现汉字级别的摘要长度控制，在提高 ROUGE 分数的同时保证摘要完整。

May, 2022