本文探讨了在提取式摘要中基于全文进行 contextualized rewriting，将其形式化为 seq2seq 问题，引入 group tag 作为解决方案来建立关联，通过基于内容的寻址方法识别提取式摘要，结果表明我们的方法明显优于非上下文的重写系统，无需采用强化学习，在多个提取式摘要生成器上显示出显着提高的 ROUGE 分数。

Jan, 2021

本文通过使用句子重写模型，采用先提取常规句子，后对所选句子进行释义来生成摘要的策略，提出了一种通过强化学习直接最大化摘要级别 ROUGE 得分的新型训练信号，并在 CNN / Daily Mail 和纽约时报数据集上展示了新的最先进表现。在整个实验中，我们还演示了它在 DUC-2002 测试集上的普遍适用性。

Sep, 2019

本文提出了一种基于文档上下文的 Seq2Seq 模型，使用 RNN 进行描述总结。文中探讨了使用半监督技术和文档上下文方法进行大型文档总结的现有技术，并证明了该方法的高效性。

Jul, 2018

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

本文着重于文本的形式、毒性和情感转移任务，并提出了将上下文信息应用于文本改写的方法，比较了有上下文和无上下文改写的效果，并通过新型语言模型 GPT-3.5 和 GPT NeoX 进行实验比较，结果表明，上下文改写会更符合人类的阅读习惯，但并不一定反映在自动评测指标上。因此，也提出了通过融合上下文信息来优化常见的自动评测指标，以更好地反映人类偏好。总的来说，本文强调了将上下文信息应用于文本改写和评测的重要性。

May, 2023

本文提出了一种使用语言建模的无监督方法来对句子进行摘要，该方法使用了两种语言模型，并使用专业领域的语言模型来保持持续的上下文匹配，同时保持输出的流畅性，实验表明，该方法具有良好的性能。

Jul, 2019

本文提出两个方法以弥补 Transformer-based summarization 模型在内容选择方面表现不佳和训练策略效率不高的缺陷，使得模型可以更好的理解要点，同时引入课程学习的方法提高了训练速度和质量，并用 Reddit TIFU 数据集和其他三个跨领域总结测量我们的模型的有效性，同时进行了人类评估表明所提出的方法在流畅性、信息量和整体质量等质量标准上具有良好的效果。

Feb, 2023

本文提出了一种基于联合提取和句法压缩的神经模型用于单文档摘要，该模型选择文档中的句子，通过句法分析识别可能的压缩，并用神经模型评分这些压缩以生成最终的摘要，实验结果表明，该模型在 ROUGE 评估中表现良好，能够达到与最先进系统相当的性能，并且其输出一般保持语法正确。

Feb, 2019

论文提出了一种基于神经网络和连续句子特征的数据驱动型抽取式摘要方法，采用层级文档编码器和基于注意力机制的提取器的通用框架，能够训练不同的摘要模型（提取句子或单词），在大规模语料库上进行实验结果表明，该方法在不需要语言注解的情况下取得了与现有技术相当的效果。

Mar, 2016

本文提出了一种新颖的神经网络抽取式文档摘要模型，结合整个文档的全局上下文和当前主题内的局部上下文；我们在 Pubmed 和 arXiv 两个科学论文数据集上评估了该模型，并在 ROUGE-1，ROUGE-2 和 METEOR 分数上优于以前的工作，包括抽象模型和提取模型；更为惊讶的是，消融分析表明，我们的模型的好处似乎仅来自于对局部上下文的建模，即使对于最长的文档。

Sep, 2019