AVTALER 是一种基于核心对齐算法和现代 NLP 工具的混合倡议系统，用于帮助人们比较文献综述和对齐文本语段，以支持文本数据的语义化和对比文献属性。

Mar, 2023

本研究探讨了自然语言处理技术在新型信息领域应用中的数据来源和分析问题，提出了一种名为 HARE 的系统，支持文档集合中相关信息的筛选与排序，并提供了后期处理和质量分析工具，以用于模型开发和调试，在移动信息的临床数据中应用 HARE 系统，比较了几种候选嵌入特征，提供了基于 Web 的界面和可视化工具，支持与现有注释工具的互操作。

Aug, 2019

使用自动化论文评分、得分技术和大语言模型对用户对给定主题的理解进行分析，通过摘要和提取关键信息来评估用户对文档内容的理解。

Oct, 2023

我们提出了 HAESum，一种利用图神经网络在基于分层话语结构的文档中进行局部和全局建模的新方法。通过使用局部异构图来学习句内关系，然后引入一种新颖的超图自注意层以进一步增强句间高阶关系的表征，在两个基准数据集上验证了我们的方法，实验结果表明考虑分层结构在建模长篇科技文档中的重要性以及 HAESum 的有效性。

May, 2024

通过生成式大型语言模型和抽象总结以及标准驱动的比较终点，该研究开发了一种能够在不同领域进行高效信息比较的系统，利用语义文本相似性比较生成基于证据的分析，克服了模型推理中的信息上下文和令牌限制的困难，提供了可行的结果并实现了自动化的大规模信息比较。

Apr, 2024

本研究以文獻綜述的目錄生成為挑戰，構建了涵蓋 13.8k 個目錄和 120k 個參考文獻的英文文獻綜述目錄數據集，並通過端到端和管線方法進行了多方面的評估與分析，提出了基於語義和結構相似度的模型性能評估方式。結果顯示，本研究提出的生成方法與評估指標具有較高的效果和品質，並且為以後的相關研究提供了方向。

Apr, 2023

使用智能标记、基于机器学习和自然语言处理的 unsupervised 和 supervised 的标记策略，以及强大的 faceted 浏览框架，为高度异构文档集合提供了一种有效的多方面系统，其中重要的标记策略之一是 KERA 算法，如果让用户进行 buried 在海量不同信息中的军事关键技术文档定位，证明我们的系统是有效的。

Aug, 2013

本文提出了 CHANGES，一种对比层次图神经网络，用于科学论文自动摘要。CHANGES 使用分层对话图表示科学论文，并通过专门设计的分层图信息聚合学习有效的句子表示。我们还提出了图对比学习模块，以学习全局主题感知的句子表示。在 PubMed 和 arXiv 基准数据集上的广泛实验证明了 CHANGES 的有效性以及捕捉分层结构信息在科学论文建模中的重要性。

May, 2023

本研究针对医学干预方案的评估，提供了一个达到自动评估医学文献、整合多个研究结果的新数据集：MS^2。并基于 BART 模型，通过自由文本和结构化形式，提出了用于评估自动生成摘要质量的新指标。

Apr, 2021

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