提出了一种基于神经主题建模的两步抽象汇总框架来生成与人类认同的关键点，并使用新颖的基于集合的评估工具包评估生成关键点的质量。结果表明，该框架在关键点分析方面的性能提高了 14 个百分点，同时评估指标也比 ROUGE 得分更符合人类判断。

May, 2023

本文提出了将大量讨论中的摘要表示为少量关键点的想法，并根据其显著性对每个关键点进行评分。通过分析大型数据集及实验结果表明，针对一个特定话题，少量关键点通常足以涵盖绝大部分的讨论内容，同时也发现领域专家通常可以提前预测这些关键点。文章探讨了将论点到关键点的映射任务，并引入了一个新的大型数据集，通过在该数据集上进行一系列实验，报告了有希望的表现。

May, 2020

本研究提出了一种新的文本推导图谱的类型，并在商业和产品评论中建立了高质量的基准数据集 ThinkP，对比了不同的预测方法，开发了分层技术用于组织文本，通过应用方向性分布相似性方法到关键点的新分布式表示，加强了该任务中现有的强基线性能。

Jun, 2023

本文提出了一种自动抽取关键点用于多文档摘要的方法，该方法能够实现专家级别的分析性能，并且不仅适用于论证分析，还可以应用于民意调查和用户评论等领域，并且在论证 - 关键点匹配模型的评价上取得了显著的改善。

Oct, 2020

该研究论文阐述了一种基于 Key Point Analysis 的评论归纳与总结方法，融合了情感分析、收集关键点挖掘、候选关键点识别等一系列技术手段，证明了该方法可以在无需特定领域注释的情况下取得良好的结果，并可以通过人工监督进一步提升性能。

Jun, 2021

Key Point Analysis, a novel approach for argument mining using pairwise generation and graph partitioning, surpasses previous models and achieves improved results on both the ArgKP and QAM datasets.

Apr, 2024

通过介绍多个方面的多样性，包括意见、注释者和来源，评估了目前在关键点分析任务中表现欠佳的高层次论证总结方法，并发现通用 LLM 和专用 KPA 模型在处理数据来源、代表少数人的论点和人类提供的主观性方面存在互补的优势，观察到多样化的训练数据可能改善泛化能力，因此解决论证总结中的多样性问题需要采取多种策略以应对主观性。

Feb, 2024

我们提出了一种关键词取向的评估指标 ——ROUGE-K，该指标通过定量回答 “摘要中是否包含关键词” 这个问题来评估自动摘要模型是否包含有信息性的单词。通过这种关键词感知的度量方法，我们令人惊讶地发现，当前的一个强基准模型在摘要中常常会遗漏重要信息。我们的分析揭示了人工注释者确实认为包含更多关键词的摘要与源文档更相关。最后，为了增加关键词的包含，我们提出了四种将词重要性融入基于变换器的模型的方法，并通过实验证明这样做可以在保持总体质量的同时引导模型包含更多关键词。

Mar, 2024

知识图谱（Knowledge Graphs）的持续增长使得抽取式知识图谱（extractive KG summarization）成为一个热门的任务。本论文首次对其应用进行了系统概述，并从跨学科研究的角度定义了现有方法的分类学。基于我们的广泛和比较性的回顾，我们还提出了未来的研究方向。

Feb, 2024

本文提出了一种新的集成方法，用于关键短语的生成，利用多任务学习的方法同时学习抽取式模型和生成式模型，采用神经网络集成预测结果，实验结果表明基于抽取式、生成式和检索式方法的综合方法更优。

Apr, 2019