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

本文介绍了一种基于聚类相似性的多文档综述方法，使用基于修改版 PageRank 算法和文本相关性考虑机制的混合模型的抽取方法，在每个聚类中选择最重要的句子生成摘要，并应用 BARTpho 和 ViT5 构建了缩写模型，结果表明该方法在 VLSP 2022 竞赛中取得了竞争力的成果。

Apr, 2023

本文提出了一种名为 SgSum 的新型 EMDS 框架，将 MDS 任务作为一个子图选择问题，通过构建关系图来选择一个显著的子图，而不是单独评分和提取句子，从而解决了现有方法中忽略句子关系和整个摘要连贯性和凝练性的问题。与传统方法相比，SgSum 模型能够由于模型对句子关系的建模和直接输出更加丰富和连贯的子图形式摘要而获得显著优势，且在 MultiNews 和 DUC 数据集上进行的实验表明，我们的方法比多个强基线模型都有显著改进。

Oct, 2021

该论文提出了一种基于异构图和神经主题模型的抽象多文档摘要模型，采用图到序列的框架，同时训练主题和摘要模块以提高性能和生成高质量主题。

Oct, 2021

本文回顾了近期基于深度学习的多文档摘要模型，提出了新的分类方法以及对这个领域的现状进行了综合总结，并且强调了现有文献中很少讨论的各种目标函数之间的区别，最后对未来发展方向提出了几个建议。

Nov, 2020

本文提出了 KGSum 多文档科学总结的模型，重点在于在编码和解码过程中使用知识图谱来实现内容和关系建模。经验证实验结果显示，相较于基准结果，该架构带来了显著的改进。

Sep, 2022

该研究提出了一种基于 unsupervised 方法的 SummPip，通过将原始文档转换成语句图，并考虑语言和深度表示，然后应用谱聚类来获得多个句子簇，并最终压缩每个簇以生成最终摘要。实验表明我们的方法可以与先前的无监督方法相竞争，并且甚至可以与神经监督方法相媲美。此外，人类评估显示我们的系统与人类编写的摘要相比是一致而完整的。

Jul, 2020

本文提出了一种神经抽象的文档多摘要模型，该模型利用文档之间的相似性图和话语图等知名图形表示来更有效地处理多个输入文档并生成抽象的摘要，其利用图形编码文档以捕捉跨文档关系，可以利用图形来指导摘要生成过程，结果表明该架构相比多个强基线带来了实质性的改进。

May, 2020

本研究重新审视单词聚类方法，通过将子句命题分组，从而能更精确地对齐信息。我们的方法检测重要的命题，将它们聚类形成释义的群集，并通过文本融合为每个聚类生成代表性句子。在 DUC2004 和 TAC2011 数据集中，我们的总结方法在自动 ROUGE 分数和人类偏好方面优于先前的 MDS 方法。

Dec, 2021

本文介绍了首个大规模多文档新闻数据集 Multi-News，并提出一个将传统提取式摘要模型与标准单文档摘要模型结合的端到端模型，取得了有竞争力的结果。我们在 Multi-News 上比较了几种方法，并希望我们的数据和代码能促进多文档摘要领域的进展。

Jun, 2019