通过 TriSum 框架，我们将大型语言模型的文本摘要能力提炼为一个紧凑且本地化的模型，以应对资源有限和注重隐私的环境。通过对各项任务进行演化式学习，我们的方法在各个评估基准上提升了本地化模型的性能，并提供了摘要的合理解释。

Mar, 2024

本文介绍了一种名为 Ranksum 的基于多维句子特征排名融合的单文本抽取式摘要方法，通过提取每个句子的主题信息、语义内容、显著关键词和位置，然后在无监督的方式下使用加权融合四个分数，将句子按照重要性进行排序。该方法利用概率主题模型确定主题排名，使用句子嵌入来捕捉语义信息，通过 Siamese 网络生成抽象句子表示，并利用图论方法找到文档中的重要关键词和相关句子排名，在摘要中采用基于二元组、三元组和句子嵌入的句子新颖性度量来消除冗余句子，最后融合所有特征计算出文档中每个句子的最终得分。实验结果表明，该方法在公开的 CNN/DailyMail 和 DUC 2002 摘要数据集上优于其他现有最先进的摘要方法。

Feb, 2024

该研究提供了一种新的评价未经监督的多文档摘要技术的方法，使用上下文化嵌入和软标记对齐技术对其语义相似性进行评估，并提出了一个可用于引导深度学习模型的奖励函数，其在性能上优于现有的未监督摘要模型。

May, 2020

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

通过强化学习方法，采用 ROUGESal 和 Entail 两种新的奖励函数优化传统指标 ROUGE，实现多重奖励同时优化的方式来提高摘要生成的效果。实验证明，该方法在 CNN/Daily Mail 数据集上达到了新的最高性能水平，并在测试集合 DUC-2002 中有很大的提高。

Apr, 2018

SuRE 是一种将关系提取（RE）转换为摘要公式的方法，形成更精确且高效的关系提取，并展示其在摘要任务中作为潜在的间接监督的有效性。

May, 2022

该论文提出了 RetrievalSum，一种新颖的检索增强抽象概括框架，包括一个稠密的 Retriever 和一个 Summarizer，可以通过检索相关的用作补充输入的实例来帮助生成模型更全面地理解文本，并在 BillSum 上取得了最新的业界最佳成绩。

Sep, 2021

该研究提出了两个自适应模型，分别为 AREDSUM-SEQ 和 AREDSUM-CTX，分别考虑文本中的句子显著性、新颖性和多样性等特征，通过实验验证，AREDSUM-CTX 在 CNN/DailyMail 和 NYT50 数据集上表现优于 AREDSUM-SEQ 和抽取式摘要基线模型。

Apr, 2020

本文提出了一种名为 MPSUM 的方法来解决实体概括生成的问题，该方法使用概率主题模型并集成谓词唯一性和对象重要性的想法进行三元组排名，以生成简洁但代表性的实体概括。在使用 DBpedia 和 LinkedMDB 数据集进行对比实验后，结果表明我们的方法提高了实体概括的质量。

May, 2020

本文提出了一种新颖的抽象摘要框架，利用意义表示（AMR）的树库进行研究。在该框架中，源文本被解析为一组 AMR 图，该图被转换为摘要图，然后从摘要图生成文本。我们专注于图形到图形的转换，该转换将源语义图减少为摘要图，并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。

May, 2018