本研究提出了一种新的抽取式 - 生成式混合框架来自动生成代码摘要，该框架结合了抽取式方法和生成式方法，能够提取关键的事实性细节，并生成简明、类似于人工撰写的自然语言摘要，实验证明 EACS 显著优于现有的技术，包括 BLEU，METEOR 和 ROUGH-L 等三个广泛使用的评估指标。

Jun, 2022

自动摘要是计算机缩短文本数据的过程，以创建一个表示原始文本中最重要的信息的子集 (摘要)。现有的摘要方法大致可以分为两类：抽取式和生成式，前者会从源文档中显式选择文本片段 (单词，短语，句子等) ，而后者则会生成新的文本片段来传达源文件中最突出的概念。

Apr, 2022

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

提出一种对引文文本生成任务的简单修改方法，将生成目标扩展到整个上下文窗口，包括目标引文，实验结果表明，这种训练方式受到人类读者的青睐，并使生成模型能够利用关于讨论主题和立场的上下文线索。

Feb, 2024

提出了一种基于句法和信息提取的双重注意序列到序列框架，该框架旨在解决抽象汇总中存在的虚假事实问题，并使生成的汇总同时具有信息丰富性和语义准确性。

Nov, 2017

本文提出了一种基于文档上下文的 Seq2Seq 模型，使用 RNN 进行描述总结。文中探讨了使用半监督技术和文档上下文方法进行大型文档总结的现有技术，并证明了该方法的高效性。

Jul, 2018

通过分析源句子，我们研究了神经生成摘要模型是如何将源信息转化为摘要的，包括对参考摘要和 PEGASUS 生成的系统摘要进行源句子注释，并比较了多种自动源句子检测方法以建立强大基线模型。实验结果表明，对于高度抽象的摘要，基于困惑度的方法表现良好，而基于相似度的方法在相对抽取性的摘要中表现稳健。

Feb, 2024

DeepQSE 提出了一种有效的查询感知网页片段提取方法，其核心思想是将查询感知的片段提取任务分解为两个阶段，并建立查询感知的句子表示，经过实验验证，该方法具有效率和有效性。

Oct, 2022

本文提出了一种基于数据驱动的、对抽象句子的局部关注模型进行生成式摘要的方法，通过训练大规模数据，该模型相比较于几种强基线模型在 DUC-2004 共享任务中表现了显著的性能提升。

Sep, 2015

本文探讨如何在低资源情况下，使用深度神经网络等技术进行长篇法律文件的自动摘要，本文提出了一种基于 GPT-2 的算法，基于语言模型的困惑度，识别出最具有表现力的句子，在提取摘要时提供有效支持，并且该方法胜过了全球其他对手的显著度检测基线。

Mar, 2021