本文提出了基于语义图的 BASS 框架，它聚合了分布在长时间范围内的共指短语，并传达了短语之间的丰富关系，从而提高了文档表示和摘要生成过程，为长文档和多文档摘要任务带来了显著的改进。

May, 2021

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

我们提出了一种新颖的基于图形的框架，用于摘要会议演讲，完全不需要监督和任何注释。我们的工作结合了多种最近的方法的优点，同时解决了它们的弱点。此外，我们利用最近在 NLP 中应用的字嵌入和图形退化的进展，考虑外部语义知识，并设计了自定义的多样性和信息量度量。在 AMI 和 ICSI 语料库上的实验表明，我们的系统改进了现有技术水平。代码和数据可公开获取，我们的系统可以交互式测试。

May, 2018

本文研究了使用引文图来提高科学论文摘要生成的质量，提出了两种方法：为任务提供简单而低成本的多粒度无监督摘要生成方法 (MUS)，以及对大量标记数据具有更准确结果的基于图的监督摘要方法 (GSS)，并在公共基准数据集上进行了实验验证以证明方法的有效性。

Dec, 2022

本研究分析了现有研究组件以选择系统骨干，发现 BART 比 PEGASUS 和 T5 表现更好；跨域总结器的表现要差得多，而在异构领域进行微调的系统在所有领域上表现良好。该研究强调了对异构领域摘要基准的重要性。系统输出存在相当大的差异，只有人工评估才能捕捉到，因此不太可能反映在只有自动评估的标准排行榜中。

Jun, 2023

本文提出了一种神经抽象的文档多摘要模型，该模型利用文档之间的相似性图和话语图等知名图形表示来更有效地处理多个输入文档并生成抽象的摘要，其利用图形编码文档以捕捉跨文档关系，可以利用图形来指导摘要生成过程，结果表明该架构相比多个强基线带来了实质性的改进。

May, 2020

视频摘要的技术有越来越多的关注，本文提出了一种名为 Bimodal Semantic Summarization of Videos 的更全面的视频摘要任务，通过构建大规模数据集 BIDS 和提出统一框架 UBiSS 来实现高质量的视频摘要。

Jun, 2024

本研究提出一个多维理解摘要的基准测试，并在其上比较了多种模型的性能，发现中等规模的微调模型在多个任务上始终优于更大的几次提示语言模型。同时发现，对于某些任务，训练数据的数量比其来源领域更重要，而对于其他任务，尽管数据量有限，但特定领域的数据更为有益。

May, 2023

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

开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

May, 2022