提出了 DialogSum，一种大规模标注的对话摘要数据集，通过对该数据集使用最先进的神经摘要器进行经验分析，结果表明对话摘要中存在诸如口语术语、特殊话语结构、代词和省略、语用学和社会常识等独特挑战，需要特定的表示学习技术来更好地处理。

May, 2021

本文提出了一种基于主题增强的两阶段对话摘要生成器并结合注意力感知神经主题模型 (SATM) 来进行主题定向对话摘要，展示了其在客户服务数据集上的优越性。

Dec, 2020

本文探讨了客户服务代理与客户之间多视角摘要的创建方式，通过探索不同视角的启发式算法，创建了弱标注数据并在少量标注数据 fine-tuning 的情况下，支持生成摘要的模型在性能上接近原始数据的 94%，这一方法可以为摘要的人工创建工作减轻负担。

Mar, 2022

本研究介绍了 SAMSum 语料库，这是一个新的抽象对话摘要数据集，研究人员使用多个模型进行测试，并将其结果与新闻文章语料库的结果进行比较，结果显示与人类评估者的判断相反，模型生成的对话摘要具有更高的 ROUGE 分数，这表明需要使用专用模型和非标准质量度量的抽象对话摘要这一具有挑战性的任务，据我们所知，这是引入高质量聊天对话语料库的第一次尝试，并手动注释了抽象摘要，可供研究人员进行进一步研究。

Nov, 2019

本研究介绍了一个新的用于客服对话摘要的中文数据集 ——CSDS，通过生成整个对话的总体摘要和角色导向的摘要来改进摘要。实验证明，现有的方法在生成冗余和不连贯摘要方面容易出现问题，而本数据集的作用是为了为中文对话摘要提供一个基准，并且有望惠及进一步的研究。

Aug, 2021

对话摘要化是将原始对话压缩成涵盖重要信息的短版，用于减轻对话数据负载，本研究从多个领域（包括会议，聊天，电子邮件，客户服务和医疗对话）全面系统地调查了对话摘要化的现状和研究进展，包括可用于研究数据集的总览和两个排行榜，并提出了一些未来的研究方向，如忠实度、多模态、多领域和多语言对话摘要化。

Jul, 2021

展示一种将 fine-tuned 的生成模型与人工的交互式摘要整理系统相结合的生产系统，以解决销售电话摘要的实际应用情景中存在的困难问题，包括长对话、内容验证、缺乏标记数据和质量评估，并说明了 GPT-3 可以用作离线数据标记器以解决数据贫乏和隐私限制等问题。在公共数据集上进行的实验表明，我们的模型在解决摘要和内容验证任务方面有了显著的改善。

Apr, 2022

介绍了一个名叫 MediaSum 的大规模媒体采访数据集，包含 463.6K 份采访文本和摘要，被用于探究电视和广播采访文本的独特位置偏差以及转移学习在改进对话摘要模型上的应用。

Mar, 2021

对于不同的领域来说，长对话摘要的一种模型无法很好地执行各种任务，因此本研究探讨了当前领域内长对话摘要的最新方法和评估指标。

Feb, 2024

该研究介绍了一个摘要数据集，提供了一个具有挑战性的抽象摘要测试平台，并通过对神经模型和邻近算法等多种方法的评估，展示了神经模型无法充分利用输入文本的事实，同时证明了我们的非最优模型在生成忠实的情节事件方面具有竞争力，并可以从更好的内容选择器中受益。

Apr, 2021