该研究使用深度学习模型进行文本自动摘要，通过重新排序生成的摘要，显著提高了 ROUGE 1 得分。

Mar, 2022

本文提出了一种新颖的抽象摘要框架，利用意义表示（AMR）的树库进行研究。在该框架中，源文本被解析为一组 AMR 图，该图被转换为摘要图，然后从摘要图生成文本。我们专注于图形到图形的转换，该转换将源语义图减少为摘要图，并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。

May, 2018

该研究提出了一个检索增强框架 REDCODER，用于检索相关的代码或摘要，作为代码生成或总结模型的补充，实现了与检索数据库的交互。这个机制可以扩展检索技术的功能，适用于含有不同模态的检索数据库，并在 Java 和 Python 的代码生成和摘要的基准数据集上得到了良好的实验结果。

Aug, 2021

对大型语言模型（LLMs）在检索增强生成（RAG）式摘要任务中的鲁棒性进行了研究，提出了一种创新的评估框架 LogicSumm，通过现实场景评估 LLMs 在复杂的真实场景下的性能，并基于 LogicSumm 的限制提出了 SummRAG 系统，通过训练对话和模型微调来提高鲁棒性，实验证实了 SummRAG 的能力，展示了逻辑连贯性和摘要质量的提升。

Mar, 2024

本文提出了 BERTSUM，即 BERT 的摘要变体，通过在 CNN / Dailymail 数据集上的评估证明其在提取性摘要方面超越了现有的最佳系统。

Mar, 2019

本文提出了一个通用可扩展的引导式摘要框架（GSum），可以有效地将不同种类的外部引导作为输入，通过实验表明了该模型在使用突出显示的句子作为引导时，在 4 个流行的摘要数据集上实现了 ROUGE 的最优性能，同时我们还展示了我们的引导模型可以生成更忠实的摘要，并展示了不同类型的引导所生成的不同摘要，为学习模型提供了一定程度的可控性。

Oct, 2020

本文探讨了利用 Transformer-based 系统概括多领域科学研究论文的问题，并设计了两种不同类型的概述手段，即 LaySumm 和 LongSumm，使用 ROUGE 指标有效评估了本文系统的优越性。

Jan, 2021

AttSum 是一种新的自动学习分布式表示和应用注意力机制的查询聚焦式文本摘要系统，并在标准基准数据集上取得了较好的性能。

Apr, 2016

开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

May, 2022

研究采用 Refactor 模型提出了一种新的文本摘要和摘要组合的统一框架，实现了在不同应用场景中的综合评估，并显着提高了在 CNN / DailyMail 数据集上的性能表现。

Apr, 2021