本文详细介绍了文本摘要的各种方法，包括提取和抽象两种途径，评估指标、基准数据集与未来的研究展望，并讨论了生成摘要的不同评估方法与相关研究中可能出现的挑战和研究机遇。

Mar, 2022

本文提出了一个文本编辑器，使用自动文本摘要为用户提供不断更新的逐段摘要，以边缘注释的方式帮助用户规划、结构化和反思写作过程。通过两个用户研究，作者发现这个系统为用户提供了一个外部的视角来帮助他们修改段落的内容和范围，并且帮助用户快速了解文本的总体情况和开发一些集成自动摘要中得到的见解的策略。通过探究和强调设计 AI 工具以帮助写作的价值，这项工作突显了自然语言处理 (NLP) 能够超越直接的文本生成和纠正。

Aug, 2022

本文提出引入不同层次的人类反馈，结合增强学习以提高抽象对话摘要的质量。实验表明，该方法在人类判断方面优于监督式基线，并能提高摘要质量。

Dec, 2022

本文探讨了利用 Transformer-based 系统概括多领域科学研究论文的问题，并设计了两种不同类型的概述手段，即 LaySumm 和 LongSumm，使用 ROUGE 指标有效评估了本文系统的优越性。

Jan, 2021

本文旨在从以人为中心的角度出发，探讨在自动文本摘要系统中人们在与 AI 交互时的角色、经验和需求，设计文本摘要原型来帮助用户理解他们与 AI 的关系，进而提出设计上的考虑，以期提高用户体验。

Jun, 2022

本文提出了一种基于深度学习的有效自动案例总结系统，该系统利用最先进的自然语言处理技术，提供了监督和无监督方法来生成简洁且相关的冗长法律案例文件的摘要。用户友好的界面允许用户浏览系统的法律案例库，选择所需案例，并选择他们偏好的总结方法。该系统为法律文本的每个小节以及整体生成全面的摘要。该演示简化了法律案例文档分析，可能通过减轻工作量和提高效率从而使法律专业人员受益。未来的工作将集中在改进摘要技术并探索将我们的方法应用于其他类型的法律文本。

Dec, 2023

自动文本摘要在近年来取得了实质性的进展。Ter Hoeve 等认为自动摘要生成的类型与用户需求不符，推荐增加更多图形元素。基于这个任务，我们提出了摘要与图形元素结合的新任务，并验证这些摘要对大众有助益。我们收集了一个高质量的人工标注数据集，提供基线模型表明该任务是有趣和具有挑战性的。希望这项工作能够在自动摘要社区中引起新的研究线路。

Apr, 2022

该论文提出了一种基于个性化概念的分层式摘要方法 Summation，使用强化学习算法生成特定主题的未见文档的个性化摘要，以增强理解、有效导航和满足用户独特需求从大量文献中提取有意义的见解。

Jul, 2023

通过 REVISE 框架，将神经网络模型及人工编辑相结合，使得文本摘要的过程个性化，协作化和自适应化。

Jun, 2023

本文提出了一种基于大型语言模型的迭代式文本摘要框架 SummIt，它通过自我评估和反馈，利用上下文学习和主题提取器的支持，以人类起草和修订摘要的迭代过程近似地重新精炼生成的摘要，同时解决了一步摘要所存在的内容缺失和虚构问题，并通过三个基准摘要数据集的经验和质性分析以及人类评估验证了该框架的有效性和可能出现的超校正问题。

May, 2023