本研究评估了德语抽象文本摘要的特定现状，并调查现实情形下为什么有效的抽象文本摘要解决方案在工业界仍然缺失。我们的重点是分析训练资源和公开可用的摘要系统，并发现现有的数据集和系统存在极大的缺陷和评估偏差。此外，我们发现现有的系统经常不能与简单的基准线进行比较，并且忽略了更有效和高效的摘要方法。

Jan, 2023

本文对多方会议情境下的自动摘要这一任务涉及到的难点、数据集以及系统进行了综述，并介绍了未来的研究方向。

Aug, 2022

本研究填补了前人研究的空白，提出了一个多语种的学术领域摘要数据集，基于此我们能够训练和评估处理英语论文并生成德语、意大利语、汉语和日语摘要的模型，同时分析了在零样本和少样本情况下训练的性能。

May, 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

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

本文探讨了使用抽象式摘要模型生成司法判决结果的可行性，通过对印度法院判决结果运用数个领域专用和通用语言模型进行检验，发现在标准摘要质量度量标准中抽象式摘要模型略优于抽取式模型，然而生成的抽象式摘要信息通常不一致或产生幻象，因此，目前介入人员进行检查和校对更为合适。

Jun, 2023

本文探讨了利用基于事实一致性评估模型的数据过滤和控制生成两种方法来改善跨语言自动摘要的结果，针对语义幻觉生成的问题在提高多语言自动摘要性能方面取得了较好的结果。

Dec, 2022

研究了在小规模训练语料的情况下，使用多任务学习进行抽象摘要的效果。通过将四项不同任务（抽取式摘要、语言建模、概念检测和释义检测）单独和结合使用，得出训练多任务模型比训练仅用于抽象摘要的模型效果更好的结论。在全面搜索中，发现某些任务（如释义检测）不仅可以与其他任务结合使用，而且可以使用不同的架构和训练语料，始终对抽象摘要有益。

Sep, 2021

本文提出了一种简单但有效的技术，通过微调预先训练的语言模型并使用 BRIO 范例进行训练，以改进抽象摘要。我们在越南文上构建了一个文本摘要数据集，称为 VieSum，并使用 BRIO 范例在 CNNDM 和 VieSum 数据集上进行了实验。结果显示，这些模型在基本硬件上训练得到了提高，比所有现有的抽象摘要模型表现更好，尤其是对于越南文。

May, 2023

本文介绍了文本摘要的两种方法 —— 摘要加工和提纯方法，探讨了深度学习在文本摘要中的应用，深入分析了计划采样模型在如何进行摘要加工的过程中的作用。同时，本文将这种方法应用到非洲最广泛使用的语言之一 —— 阿姆哈拉语，并努力为非洲 NLP 社区带来一流的深度学习结构。

Mar, 2020