我们介绍了一种利用文本的隐藏聚类结构进行摘要提取的新方法。在 CNN/DailyMail 数据集上的实验结果表明，我们的方法生成的摘要比提取式和抽象式方法更准确，并在 ROUGE-2 指标方面取得了超过先前方法 10% 的最新成果。此外，我们还展示了文本的隐藏结构可以解释为不同的主题。

Jun, 2024

本论文介绍了一种基于强化学习并且能够逐步提取文本摘要的 MemSum 摘要器，它在每一步都可以使用包括文本内容、全局文本上下文和提取历史在内的信息集合来决定摘要中摘录哪些句子；经对 PubMed、arXiv 和 GovReport 等长文档进行测试，该轻量架构模型的 ROUGE 性能处于领先水平；消融研究证明了局部、全局和历史信息的重要性；人类评估也印证了 MemSum 生成的摘要质量高且冗余度低。

Jul, 2021

本文提出了一种基于图谱和强化学习的模型 GoSum 来对包含多个篇章的科研文章进行摘要生成，该模型在两个公开数据集上取得了最优结果，验证了结果的鲁棒性。

Nov, 2022

通过语义文本匹配任务范式，本论文提出了一种新的神经抽取式摘要系统构建方法。经过与原有抽取式摘要方法数据集的实验对比，该方法取得了更好的抽取结果，并通过对 CNN / DailyMail 数据集的实验，创造了 44.41 的新高水平。我们相信，这种基于匹配的摘要框架的潜力还未完全被利用。

Apr, 2020

本篇文章提出一种基于潜变量的抽取式文本摘要模型，通过使用句子作为潜变量和检索金标准摘要来改善基于启发式标签的抽取式模型，并在 CNN/Dailymail 数据集上得到了良好的结果。

Aug, 2018

DeepChannel 模型是一种强大、高效、可解释的神经网络模型，结合了注意力机制和对比性训练策略，能够从文本中提取最重要的信息，表现出强大的鲁棒性和数据高效性。

Nov, 2018

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

本文旨在为提高文本摘要信息覆盖性的评估提供一个新的基于 Facet 的评估方式，通过构建 CNN / Daily Mail 数据集的提取版本，在量化研究中证明，相对于 ROUGE，facet-aware 评估更好地与人类判断相关，能够实现细粒度评估和比较分析，并揭示了最先进的摘要方法的有价值的见解。

Aug, 2019

SciBERTSUM 是一种针对科学论文的摘要框架，通过增加节嵌入层和应用稀疏注意力机制，在长文本（超过 500 句）中表现出更好的 ROUGE 分数。

Jan, 2022

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