本文提出了一种名为 CLH3G 的新型 Seq2Seq 模型，该模型可以利用作者过去写过的文章的历史标题，以改善当前文章的标题生成。通过考虑历史标题，我们可以将作者的风格特征融入到我们的模型中，生成既适合文章又与作者的风格一致的标题。我们进一步引入了一种基于对比学习的编码器辅助任务来高效地学习作者的风格特征，以及两种使用学习的风格特征来指导指针和解码器的方法。实验结果表明，相同作者的历史标题可以显著改善标题生成，并且对比学习模块和两种风格特征融合方法可以进一步提高性能。

Nov, 2022

本文提出了基于解缠的吸引人标题生成器，通过内容和风格的解缠来生成符合吸引人风格的标题，实验表明 DAHG 在点击数方面表现出色，表现为最先进的水平。

Dec, 2020

StyleBART 是一种无监督的方法，用于生成符合所需风格并概括文章内容的标题，通过预训练 BART 模型和适配器分离风格学习和标题生成任务，在无监督的文体标题生成任务中取得了新的最先进的性能。

Oct, 2023

试图在不使用人工标注的情况下通过在不同级别上同时使用多个类型的未标注语料库和自投票方法对新闻报道进行标题生成的研究。

Jan, 2020

使用最新的 Universal Transformer architecture 和 byte-pair encoding 技巧，对新闻标题生成任务进行了优化，取得了新的最佳 ROUGE-L F1 分数 24.84 和 ROUGE-2 F1 分数 13.48，并提出了新的 RIA 语料库并在其上达到 ROUGE-L F1 分数 36.81 和 ROUGE-2 F1 分数 22.15。

Jan, 2019

本文介绍了一种名为 POpularity-Reinforced Learning for inspired Headline Generation (PORL-HG) 的新框架，该框架使用强化学习和 Popular Topic Attention (PTA) 等技术生成吸引人的新闻标题，并在人类和预测分数方面明显优于现有 headline generation models。

Feb, 2020

我们提出了使用统一语义话语结构（S3）来表示文档语义的方法，通过将文档级修辞结构理论（RST）树和句级抽象意义表示（AMR）图结合起来构建 S3 图，实现对文档语义的准确捕捉。我们还设计了一个标题生成框架，其中 S3 图被编码为上下文特征，并且通过一种分层结构修剪机制来动态筛选图中的冗余和非必要的节点，实验证明我们的方法在两个标题生成数据集上持续优于现有的最新方法。

Mar, 2024

本文提出了两种新的方法来帮助训练集较少的 Transformer 模型实现不同风格的文本摘要生成，分别为调节解码状态和词单元控制，实验结果表明，这两种方法均能够生成简明易懂的文本摘要，并且可以实现不同风格的转换。

Apr, 2021

本研究提出了一种模型，它能够生成感性的头条，其使用了在线头条的分类来训练感性评分器，并使用强化学习算法来优化模型的生成结果，模型评估结果表明我们的模型在生成感性头条方面显著优于其他基线模型。

Sep, 2019

本文旨在提高生成式摘要的真实性，在两个流行数据集上进行了标题生成的研究，发现总结存在虚假性，且虚假性的监督数据会导致模型行为不真实，通过二分类器过滤掉虚假数据并重新训练模型可以在不影响 ROUGE 分数的情况下提高摘要标题的真实性。

May, 2020