本研究定义了一个新的针对查询的表格摘要任务，并提出了一个新的名为 QTSumm 的基准测试，其中包含 5625 个在各种主题的 2437 个表格上人工注释的查询摘要对。实验结果和手动分析表明，我们的基准测试为未来的表格到文本生成研究提供了重要挑战和发展机会。

May, 2023

旨在创造简明摘要以涵盖输入文档的要点信息。自动文档摘要对文本和非文本内容进行了讨论，提出了涵盖定量描述的关键指标的表格数据的重要性，提出了一个大规模数据集和三种摘要方法，还评估了评估指标

Feb, 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

我们提出了一种知识增强的两阶段框架，称为知识感知摘要生成器，用于解决查询焦点会议摘要生成（QFMS）中的输入长度和稀疏查询相关信息的主要挑战，并通过在摘要生成过程中引入查询相关知识来提高性能。实验结果证明了我们方法在生成相关且准确的摘要方面的竞争力。

Sep, 2023

本文提出一种基于自然语言摘要的表格信息检索方法，并利用一个新的以对话为导向、面向开放领域的表格摘要数据集来构建 SOTA 基线系统，并指出了未来研究方向和挑战。

May, 2020

本文提出了一种基于 Query-Utterance Attention 的查询感知框架，通过密集检索模型计算与查询的话语级相关性，同时将标记级查询相关性和话语级查询相关性组合， 并明确地将其合并到生成过程中的注意机制中以生成与查询更相关的摘要，实验结果表明，该模型在 QMSum 数据集上实现了新的最优表现。

Mar, 2023

研究旨在对基于查询和通用文本汇总方法的有趣工作进行概述，并提供相关领域的分类分析。

Sep, 2022

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

本文系统地探讨了神经网络方法在以查询为中心的自动文摘 (QFS) 中的应用，涉及了两种分类：抽取式 - 生成式和端到端模型，并提出了两种模型扩展。这些方法在 QMSum 数据集上实现了最先进的性能，并通过人类评估实现了更全面和基于事实的自动文摘。

Dec, 2021

本论文介绍了 LiveSum，这是一个用于根据实时评论文本生成比赛摘要表格的新基准数据集。该论文评估了最先进的大型语言模型在这项任务中的性能，并提出了一种名为 $T^3$（文本 - 元组 - 表格）的新型流水线来改善性能。实验证明，即使在微调之后，大型语言模型在这项任务中仍然遇到困难，而我们的方法可以在没有显式训练的情况下获得显著的性能增益。进一步的分析表明，我们的方法具有较强的泛化能力，超过了以前的一些文本到表格数据集的方法。

Apr, 2024