本文提出了一种面向移动设备的电子商务应用中产品标题摘要问题的处理方法 —— 多源指针网络。该方法通过新增知识编码器处理以下两个约束：不引入无关信息和保留关键信息。实验证明，该方法显著优于其他基线。实际在线业务部署通过点击率也得到了验证。

Aug, 2018

本研究提出了一种新的多任务学习方法，利用用户搜索日志数据来提高产品标题压缩。采用指针网络序列到序列方法进行标题压缩，并采用关注机制的关注编码器解码器方法生成用户搜索查询。

Jan, 2018

提出了一种多模态属性感知的端到端多粒度多模态产品摘要方法 (M3PS)，用于在电子商务中生成高质量的产品摘要，并且能够克服现有的产品摘要方法存在的问题。

Aug, 2023

本文提出了基于前缀微调（prefix tuning）的方法，使用一组可训练的连续前缀提示和离散提示来辅助模型生成，显著提高了使用 GPT-2 生成的 CNN/Daily Mail 和 XSum 摘要的事实保留。此方法在知识增强的文档摘要中表现出了其有效性，并显示了在其他自然语言处理任务中的巨大潜力。

Jan, 2023

本文提出了一种基于多模态提示学习框架的方法，通过仅使用少量标注数据快速高效地为新颖产品生成标题，并在不同场景中进行实验证明，在仅使用 downstream 标签数据 1% 的情况下，该方法实现了最佳 few-shot 学习效果，甚至与完全监督的方法相比也具有竞争力。

Jul, 2023

这篇研究论文使用了各种不同的大型语言模型，包括 MPT-7b-instruct，falcon-7b-instruct 和 OpenAI ChatGPT text-davinci-003 模型，通过不同的超参数对生成的摘要进行评估，并发现 text-davinci-003 模型的表现优于其他模型。该研究还分析了 CNN Daily Mail 和 XSum 两个不同的数据集，旨在提供对大型语言模型在不同数据集上应用时性能的全面理解。这项工作为对 NLP 领域的研究人员和从业者提供了有价值的见解，同时也为开发应对各种业务挑战的高级生成式人工智能应用奠定了基础。

Oct, 2023

本文提出了一种新的设置，通过加入营销关键词生成与产品特点更符合的图像描述。为解决同类产品拷贝文字相似导致生成描述不准确的问题，引入了名为 ModICT 的多模态文本调整方法，通过类似产品样本作为参考，利用语言模型的上下文学习能力生成描述。实验证明，与传统方法相比，ModICT 显著提高了生成结果的准确性（Rouge-L 提升了 3.3%）和多样性（D-5 提升了 9.4%），可用于增强各种应用中自动生成产品描述的效果。

Feb, 2024

通过关键元素指导训练小规模语言模型（sLLMs）进行文本摘要，提高了关键信息和实体的相关性，达到了与专有大规模语言模型相媲美的高质量摘要。

Jun, 2024

本文提出了一种新的学习范式，考虑到 LLMS 是常用摘要数据集中的参考标准，用对比学习和 LLM 作为摘要质量评估器进行摘要训练方法。实验证明，用 GPTScore 和 GPTRank 两种 LLM 计分方式训练出来的较小的摘要模型，其性能可以与参考的 LLM 相媲美，通过访问 LLMS 它只需要很小的预算。

May, 2023

本文提出了一种多模态生成对抗网络 MM-GAN，用于生成商品的简短标题，可综合利用图像信息、商品的属性标签和原长标题的文本信息，将生成的标题视为一个强化学习过程，在一个类人的视角下由判别器进行评估。

Nov, 2018