我们提出了一种知识增强的两阶段框架，称为知识感知摘要生成器，用于解决查询焦点会议摘要生成（QFMS）中的输入长度和稀疏查询相关信息的主要挑战，并通过在摘要生成过程中引入查询相关知识来提高性能。实验结果证明了我们方法在生成相关且准确的摘要方面的竞争力。

Sep, 2023

文本摘要是自然语言处理领域的一个著名应用，可以自动根据给定的上下文生成带有重要信息的摘要，特别适用于会议总结等多主题、多人参与的长篇文档。我们提出了 Locater 模型用于提取有关片段，然后通过 Summarizer 模型进行总结，并应用不同的词嵌入技术进行了比较研究以提高摘要的一致性。

Feb, 2024

本文提出了一种 Ranker-Generator 框架，通过学习对话中 utterance 间的比较来排序，使用前几个排名靠前的 utterance 作为摘要生成器的输入，得到优于目前多阶段模型的摘要生成效果。

May, 2023

本文提出了一种基于 Query-Utterance Attention 的查询感知框架，通过密集检索模型计算与查询的话语级相关性，同时将标记级查询相关性和话语级查询相关性组合， 并明确地将其合并到生成过程中的注意机制中以生成与查询更相关的摘要，实验结果表明，该模型在 QMSum 数据集上实现了新的最优表现。

Mar, 2023

本篇文章提出了 HowSumm 这一全新的数据集，可用于针对查询的多文档摘要 (qMDS) 任务，其目标是从一组来源生成可操作的指令。通过从 wikiHow 网站文章和它们引用的来源中提取数据创建了该数据集，并讨论了与其他摘要语料库的不同之处，实验结果表明，提取式和抽象式摘要模型在该数据集上的性能仍有提升空间。

Oct, 2021

本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

Nov, 2018

本研究定义了一个新的针对查询的表格摘要任务，并提出了一个新的名为 QTSumm 的基准测试，其中包含 5625 个在各种主题的 2437 个表格上人工注释的查询摘要对。实验结果和手动分析表明，我们的基准测试为未来的表格到文本生成研究提供了重要挑战和发展机会。

May, 2023

本文提出了一种新颖的抽象会议摘要网络，采用分层结构和角色向量来处理会议记录，并在大规模新闻摘要数据上预训练模型，实现了在 ICSI 数据集上自动指标和人工评价方面的表现优于之前的方法。

Apr, 2020

本研究介绍了一个全面的中文会议记录数据集 (VCSum)，包含 239 个真实会议的记录，总时长超过 230 小时，并提供了主题分割、标题、段落摘要、总结摘要和关键语句的注释。研究分析确认了该数据集在会议记录摘要方面的有效性和稳健性，并提供了一组关于 VCSum 不同 downstream 摘要任务的基准模型，以促进进一步研究。

May, 2023

本文提出了一种名为 AQuaMuSe 的可扩展方法，用于自动从问答数据集和大型文档语料库中挖掘基于查询的多文档摘要示例，其中包括种类独特的可提取和抽象式摘要数据集，并提供了详细的数据集评估和基线摘要模型实验。

Oct, 2020