本文通过分析五种最新的摘要生成器生成的摘要句子，主要关注由多个文档句子融合形成的摘要句子，研究这些系统如何结合来自多个文档句子的信息。在评估员评估了这些汇总句子的语法性、忠实度和融合方法后，发现系统句子大多数是语法正确的，但往往不能忠实地保持原始文章的形式。

Oct, 2019

本文提出两个方法以弥补 Transformer-based summarization 模型在内容选择方面表现不佳和训练策略效率不高的缺陷，使得模型可以更好的理解要点，同时引入课程学习的方法提高了训练速度和质量，并用 Reddit TIFU 数据集和其他三个跨领域总结测量我们的模型的有效性，同时进行了人类评估表明所提出的方法在流畅性、信息量和整体质量等质量标准上具有良好的效果。

Feb, 2023

本文介绍了一种利用文本连贯性理论中的对应点将文档中的句子融合成一篇连贯文本的方法，并创建了数据集以促进此技术的发展和测量。

Jun, 2020

本研究旨在构建一个人类方法的框架，通过在统一空间中对单句和句对进行排名，以填补句子选择和融合的差距，支持通过压缩单句和融合句对来概括文献。在单篇和多篇文献总结数据集上开展广泛的实验，并报告了关于句子选择和抽象的发现。

May, 2019

文章旨在利用基于 Transformer 的技术提高文章章节摘要的生成效率和质量。

Jan, 2023

本文探讨使用预训练的 Transformer 语言模型来进行文本摘要的实现，提出了基于源嵌入和领域自适应训练的方法，并在三个摘要数据集上进行了测试，并在其中两个数据集上取得了新的最佳表现。结果表明，该方法能够产生更专注的摘要，并且对于更抽象的数据集表现得更加明显。

Jun, 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

本文提出了一种使用 transformer 自注意力机制进行无监督文本摘要提取的方法，并在 CNN / DailyMail 和 New York Times 数据集上证明其优于现有的无监督模型，且不太依赖于句子位置。

Oct, 2020

本文提出了一种新颖的神经网络架构用于抽象概括及句法解析的同时生成摘要，同时还描述了一种新颖的人工评估协议来评估摘要是否符合原始含义，经评估证明该方法在多个摘要数据集上与强基线相比表现出有竞争力的结果。

Nov, 2019

本文研究使用 Transformer 技术来提高自动文本摘要的效率，提出基于检索的方法，可以降低处理整个文档的成本。实验结果表明，相较于基线，该方法的存储占用更少，且保证了文本摘要的可靠性。

Dec, 2022