这项研究介绍了一种新的方法，增强型查询摘要（AQS），用于针对主题的摘要，无需大量标记数据集，利用查询扩展和分层聚类。通过 real-world 测试，我们的方法展示了生成相关和准确的摘要的能力，显示其在数据丰富环境中作为一种经济高效的解决方案的潜力，为主题聚焦摘要技术领域中的更广泛应用和可访问性铺平了道路，提供了一种可扩展的、高效的个性化内容提取方法。

Apr, 2024

提供了一个由领域专家精心制作和评估的新型摘要数据集 ACLSum，集成了多个方面的科学论文摘要，通过对预训练语言模型和最先进的大型语言模型（LLMs）的性能进行广泛实验，探索学术领域中抽取式与生成式摘要的有效性，结果证实了在学术领域中端到端基于方面的摘要的普遍优越性。

Mar, 2024

本研究提出了一种基于维基百科的方法收集一个大规模的问题导向文本摘要数据集 (WIKIREF) 并用于数据增广，同时使用 BERT 算法开发出一个 Q-BERT 模型进行摘要提取，采用细调神经网络方法，将海量参数的大模型适应于小型基准测试，实验证明该方法提升了机器摘要的性能。

Nov, 2019

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

介绍了 QuOTeS，一种交互式系统，它集成了 Query-Focused Extractive Summarization 和 High-Recall Information Retrieval 技术，旨在从潜在的引用文献集合中检索与研究摘要相关的句子，帮助撰写新论文，同时经过全面的用户研究表明，该系统能够提供积极的用户体验和相关的、简明、完整的摘要。

Jun, 2023

该研究提出了一种基于神经网络的 MaRGE 模型，通过弱监督学习从支持证据中生成查询模型和自动生成摘要，从而实现基于查询的自动摘要，在查询爆炸性增长和追踪信息的需要下，取得了最先进的表现。

Dec, 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

本研究提出了基于问题回答模型的 QFS-BART 模型，通过显式的答案相关性，生成连贯且与答案相关的摘要，并在 Debatepedia 数据集上取得了最新的最优性能。

May, 2021

通过使用知识图谱增强大型语言模型的问答性能，我们提出了 EFSum，一种以证据为中心的事实摘要框架，它通过蒸馏和偏好对齐来优化语言模型作为事实摘要器，从而改进了零 - shot 问答性能，且可以确保摘要的有用性和忠实性。

Mar, 2024

该研究介绍了一种名为 QAGS 的自动评估协议，用于识别生成的摘要中的事实不一致性，并提供了一种自然的可解释性方法，这种方法是基于提出问题并对摘要和源回答问题的引导下实现的。实验结果表明，与现有的自动评估度量相比，QAGS 具有更高的相关性，并且是一种自动生成可用和事实一致的文本的有希望的工具。

Apr, 2020