本研究旨在提出一种新闻类多文档摘要中信息排序的方法，该方法综合考虑事件的时间先后和主题相关性约束，经实验证实了该方法相对于两种基准方法有显著的排序改进。

Jun, 2011

该研究旨在开发一种在多文档环境中的提取式摘要生成器，使用基于排名的句子选择方法以及连续向量表示和关键短语，并提出了一种模型来解决摘要连贯性问题，以提高可读性。实验结果表明，在信息量和连贯性方面，该方法相对于现有方法有了显著的改进。

Jun, 2017

本研究提出了一种鲁棒的方法，通过训练文档 - 摘要配对的语料库来检测新闻中内在句子的重要性，并结合‘文档开头’启发式方法，用于单篇文档摘要，得到了比现有先进摘要算法和基线方法更好的结果，这是一个重要的进步。

Feb, 2017

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

多文档摘要是自动生成与同一主题相关的多个文档的简洁摘要的过程。本文提出了一个机器学习模型，从多个新闻文档中生成主题的简洁摘要，并设计成能够公正地从各个方面均等采样输入信息，即使大多数新闻来源倾向于一方。

Dec, 2023

该研究提出了一种新颖的分治法神经摘要长文档的方法，结合话语结构和句子相似性将长文档分解为多个摘要子问题。通过该方法可以有效地降低计算复杂度，提高摘要效果。

Apr, 2020

本文提出了一种神经网络归纳模型，能够有效地处理多个输入文档，并利用 Transformers 架构对文档进行层次编码，通过注意力机制来表示跨文档之间的关系，并学习文本单元之间的潜在依赖关系，在 Wikisum 数据集上的实验证明，所提出的架构比数个强基线模型都有明显的改进。

May, 2019

本文探讨如何运用交叉文档背书效应实现多文档摘要，方法是利用每个文件的综述作为认同者，从其他文件中鉴别显著内容，使用神经编码 - 解码模型整理它们，成为摘要。结果表明，这种方法在基准多文件摘要数据集上比目前基于规则的最强基线方法更为有效。

Oct, 2021

提出了一种用于单文档大意提取的全新算法，能够通过强化学习目标全局优化 ROUGE 评估指标，并在 CNN 和 DailyMail 数据集上进行了实验，展示它在人工和自动评估中均优于现有抽取和生成式提取系统的神经大意提取模型。

Feb, 2018

本文提出了一种无监督基于质心的文档级重构框架，利用分布式词袋模型来选择摘要句以最小化摘要和文档之间的重构误差，并应用句子选择和波束搜索来进一步提高模型性能。针对两个不同的数据集实验结果表明，与现有基线相比，我们的模型表现出显著的性能提升。

Oct, 2017