本文聚焦于将抽取式多篇文档自动摘要问题转化为子图选择问题，并利用整体图结构和选定子图捕捉同一文档内和同一群集内句子之间的关系，在 VLSP 2022 数据集上的实验结果表明，该模型目前在公共测试集上的 ROUGE-2 F1 值排名前 10。

Jun, 2023

本论文报告了越南语新闻的 VLSP 2022 - 越南摘要多文档自动化生成（Abmusu）共享任务的概述。该任务旨在开发能够自动为一组关于某个主题的文档创建摘要的自动化系统。参与的模型根据 ROUGE2-F1 分数进行评估和排名。

Nov, 2023

本研究针对多文档摘要提出了一种基于整数线性规划模型的生成式摘要的方法，实验结果表明，该方法在信息内容和可读性方面均优于基线和先进的抽取式摘要器，且胜过最近提出的生成式摘要技术。

Sep, 2016

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

我们提出了一种基于抽象的多文档摘要框架，可以通过探索比句子更细粒度的句法单元（即名词 / 动词短语）来构建新的句子。与现有的基于抽象的方法不同，我们的方法首先构建了一个由输入文档中的短语表示的概念和事实池。然后通过选择和合并信息短语生成新的句子，以最大化短语的显著性并同时满足句子构造约束。我们采用整数线性优化来同时进行短语选择和合并，以实现摘要的全局最优解。在基准数据集 TAC 2011 上进行的实验结果表明，我们的框架在自动金字塔评估度量标准下优于最先进的模型，并在手动语言质量评估上取得了相当好的结果。

Jun, 2015

基于大型语言模型的方法用于评估文本摘要，与人工评估相比，其结果接近，并且比常用的自动度量方法更一致。因此，我们提出了一种利用大型语言模型自动评估和改进文本摘要的框架，具有广泛的关注度。

Jun, 2024

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

本研究提出了一种抽象化汇总方法，可用于文档集合而非个别文档。我们的方法应用语义聚类、主题聚类内的文档大小缩减、聚类文件的语义分块、基于 GPT 的汇总和连接以及每个主题的综合情感和文本可视化，支持探索性数据分析。通过使用 ROGUE 汇总分数将我们的结果与现有的先进系统 BART、BRIO、PEGASUS 和 MoCa 进行了统计比较，我们发现在 CNN/Daily Mail 测试数据集上，性能与 BART 和 PEGASUS 相当，在 Gigaword 测试数据集上，性能与 BART 相当。这一发现是令人鼓舞的，因为我们认为文档集合的汇总比个别文档的汇总更具挑战性。最后，我们讨论了规模问题。

Oct, 2023

本文探讨如何在低资源情况下，使用深度神经网络等技术进行长篇法律文件的自动摘要，本文提出了一种基于 GPT-2 的算法，基于语言模型的困惑度，识别出最具有表现力的句子，在提取摘要时提供有效支持，并且该方法胜过了全球其他对手的显著度检测基线。

Mar, 2021

这项研究通过利用投票算法，提出了一种新的框架 LaMSUM，通过大型语言模型生成用户生成的文本的摘要，结果显示 LaMSUM 优于现有的提取式摘要方法，同时试图解释语言模型生成的摘要产生的原因。

Jun, 2024