提出一种新的上下文化摘要方法，该方法可以根据含有引用文献的句子（称为 “引文”）生成信息丰富的摘要，概述了引文相关引用位置的文献内容，该方法提取和建模论文的引文，检索相关的引用文献段落，并生成针对每个引文的抽象摘要。

Nov, 2023

使用文献计量学文本挖掘和摘要技术对科学文献进行自动生成，利用引文生成摘要，通过 C-LexRank 对单篇文章进行摘要提取，同时拓展到一系列科学文献的摘要提取和分析，证明引文是创建摘要的一种独特信息资源。

Feb, 2014

本论文提出了一种基于引用图的摘要模型 CGSum，相对于基于输入文档内容进行摘要的方法，它可以更好的理解科技论文的含义并产生高质量的摘要，同时构建了一个包含 141K 篇不同领域的科技论文的数据集 Semantic Scholar Network（SSN），这个数据集构成了一个大型的连接引用图。研究结果表明，引用图对于理解论文内容并产生高质量的摘要十分关键。

Apr, 2021

通过使用特定于每篇文章的知识图谱来增加生物医学概念的详细信息，我们系统地调查了三种不同方法在提高自动化简报摘要模型效果方面的有效性，结果确认了整合基于图的领域知识可以显著改善生成文本的可读性和解释技术概念的能力。

Oct, 2023

提出了一种使用分布式单词表示和领域知识从参考论文中提取适当上下文的无监督模型，评估结果表明其明显优于现有技术，并且还演示了上下文化方法提高科学文章引用摘要的有效性。

May, 2017

本文提出了一种基于实体驱动事实感知的框架，用于训练端到端的基于 Transformer 的编码 - 解码模型以摘要生物医学文章。在使用知识库中的命名实体和事实进行指导的情况下，EFAS 能够实现比标准源文档到摘要设置更准确的实体级事实准确性、N-gram 新颖性和语义等价性，而 ROUGE 指标的表现相当。

Mar, 2022

通过添加领域特定本体信息增强内容选择和摘要生成，我们的序列到序列抽象式摘要模型的应用于放射学报告数据集，能够显著优于当前最先进的方法，同时经过放射学家的人类评估，表明该方法生成的摘要不太可能省略重要细节，而且读起来依然具有可读性和准确性。

May, 2019

本文介绍了一种新的数据集，用于总结计算机科学出版物，展示了利用神经句子编码和传统的总结功能来开发模型的方式，并表明即使在传统的科学领域中，对句子的编码以及他们的本地和全局背景进行编码的模型也有很好的性能，并实现了明显优于已经建立的基准方法的结果。

Jun, 2017

本研究中，我们探讨了使用现代神经模型从多个试验报告中自动生成叙述性生物医学证据摘要的问题，并使用 Cochrane 协作成员先前进行的系统性评论的相关文章摘要的抽象概述来评估现代神经模型进行抽象总结的效果。我们征求了医学专业人员对生成的摘要进行评估，并发现现代总结系统产生了一致流畅和相关的概述，但并非总是准确。我们提出新的方法通过明确划分传达关键发现的输入片段、强调大规模和高质量试验报告等领域特定的模型来信息摘要，发现这些策略适度提高了生成摘要的准确性。最后，我们提出了一种新的方法来自动生成叙述性证据综述的事实性评估，使用可推断报道发现方向的模型。

Aug, 2020

运用生成型人工智能技术对科学论文的摘要进行总结，以减轻基层医疗人员的认知负担并提高文献阅读效率。研究结果表明，使用生成型人工智能生成的短摘要可显著降低回答与摘要内容相关问题所需时间，但在无完整摘要可用的情况下，提取知识的准确性明显降低，需要进一步的发展来提高理解能力。

Jul, 2023