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

最近提出的长篇问答（QA）系统，在大型语言模型（LLMs）的支持下，展示了令人期待的能力。然而，为其生成的抽象回答归因和验证可能困难，并且自动评估其准确性仍然是一个持续的挑战。在这项工作中，我们介绍了一个新的 QA 任务，通过半抽取方式总结多个多样化的来源来回答多回答问题。具体来说，半抽取多源 QA（SEMQA）要求模型输出一个综合回答，同时混合了由给定的输入来源直接拷贝的事实引用片段和将这些片段连接成一个连贯段落的非事实自由文本连接器。这个设置弥合了受基于事实抽取的 QA 系统约束的输出与更流畅但更难以归因的完全抽象回答之间的差距。特别地，它利用了语言模型的先进语言生成能力的新模式，同时通过设计产生易于验证、解释和评估的细致内联归因。为了研究这个任务，我们创建了第一个这样类型的数据集 QuoteSum，其中包含人工编写的对自然问题和生成问题的半抽取回答，并定义了基于文本的评估指标。在不同设置下尝试了几个 LLM 后，我们发现这个任务出人意料地具有挑战性，这展示了 QuoteSum 用于开发和研究这种整合能力的重要性。

Nov, 2023

本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

Nov, 2018

本研究提出了一种称为混合记忆网络的全数据驱动端到端深度网络，用于单个文档摘要任务，其通过联合捕获局部和全局句子信息以及摘要有价值的句子的概念来学习文档的连续统一表示，实验结果表明，与现有最先进的基线相比，该模型展示了显著的性能提升。

Dec, 2019

本文提出了一种利用问答奖励来引导监督式摘要系统的新框架，通过人类摘要获得问答对来评估总结与原文件的关系，并且该系统学习如何推广信息量大、流畅度高且在问答方面表现良好的总结，结果表明其表现优于基线总结和人类评估。

Apr, 2019

AttSum 是一种新的自动学习分布式表示和应用注意力机制的查询聚焦式文本摘要系统，并在标准基准数据集上取得了较好的性能。

Apr, 2016

本研究基于一个标注过的含 430K 篇美国案例的数据集，使用强化学习算法构建了 MemSum 模型，在自动摘要质量评测中表现最佳，甚至胜过了基于 transformer 的模型。同时，人工评测也证明 MemSum 的摘要能够有效捕捉到庞大而冗长的法律案例的关键点。鉴于这些结果，我们将模型开源，旨在推动法律民主化进程，提高公众获取美国法律案例的能力。

May, 2023

本文提出了一种名为 AQuaMuSe 的可扩展方法，用于自动从问答数据集和大型文档语料库中挖掘基于查询的多文档摘要示例，其中包括种类独特的可提取和抽象式摘要数据集，并提供了详细的数据集评估和基线摘要模型实验。

Oct, 2020

BayeSum 是一种基于贝叶斯模型的用于句子提取的模型，可以利用多个相关文档来增强查询词信息，处理短查询不足问题，并得到了最先进的结果，在信息检索框架中可以被理解为一种验证的查询扩展技术。

Jul, 2009

本研究提出了一种基于问题回答的粗糙到精细的建模框架，用于解决过去在建立查询与文本段之间关联性上面的问题，并在标准 QFS 基准测试中表现优异。

Apr, 2020