我们的研究关注于健康答案的基于方面的总结，以解决信息不全的问题。我们提出了一个多阶段的注释指南和一个独特的数据集，包括基于方面的人工编写的健康答案总结。我们利用该数据集构建了一个自动化的多方面答案总结流程，使用了几种最先进的模型进行特定任务的微调。该流程利用问题相似性检索相关的回答句子，然后将其分类为适当的方面类型。接下来，我们使用几种最新的抽象总结模型生成基于方面的总结。最后，我们进行了全面的人工分析，发现我们的总结在捕捉相关内容和各种解决方案方面排名靠前。

May, 2024

该研究使用机器学习和数据归纳技术，为 Community Question Answering (CQA) fora 提出了一种新的答案总结方法，以产生最能反映回答视角范围的摘要，这种方法使用了由专业语言学家策划的数据集进行训练，并实现了语句选取、分组、摘要和纠正等多个子任务，使用了强化学习技术及数据增强方法提高其性能。

Nov, 2021

本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

Nov, 2018

本文研究针对真实世界的消费者健康问题的抽象总结任务，开发了一个抽象问题总结模型，利用医疗实体的语义识别，借此提高了问题聚焦的涵盖范围和生成信息摘要的能力。同时，我们还将问题类型信息融入到解码器的输入中，实现了问题类型驱动的摘要生成，并在 MeQSum 基准语料库上进行了评估，该框架超过了最先进方法 10.2 ROUGE-L 分，并进行手动评估以评估所生成的摘要的正确性。

Jun, 2021

该研究提出了一种新的社区问答（CQA）总结任务，旨在从 CQA 对中创建简洁的摘要，并通过一系列数据注释和方法比较建立了一个强大的基线方法 DedupLED，进一步确认了 CQA 总结任务中的两个关键挑战，即句子类型转换和去重移除。

Nov, 2022

为了解决消费者在网络上描述医疗需求时使用过度描述性和周边信息，从而导致自然语言理解困难的挑战，我们介绍了一个新的数据集 CHQ-Summ，其包含 1507 个专业领域的消费者健康问题及相应摘要。同时，我们在多个最先进的摘要模型上对该数据集进行了基准测试，展示了其有效性。

Jun, 2022

本研究提供了一个包含消费者健康问题答案的问答驱动摘要集 MEDIQA Answer Summarization dataset，可用于评估抽取式或抽象式算法生成的单个或多个文档，展示了基线和最新深度学习总结模型的结果，并推动医学问题回答中的机器学习研究。

May, 2020

这篇论文提出了在产品领域上回答主观归纳问题（SUBJPQA）的新任务。针对这类问题，答案并不唯一，可以从多个角度解释。为了解决这一新任务，作者提出了一种三步法，涉及知识源的检索、问题的关联和多角度答案的生成。此外，作者构建了一个大规模的数据集，并展示了方法的有效性。

Sep, 2023

通过知识引导和语义自监督方法，引入了一个医疗问题理解和回答系统，该系统可以对较长、详细和非正式措辞的患者提出的问题（称为 “消费者健康问题”）进行处理。

Sep, 2022

该论文提出了一种基于实体驱动对比学习（ECL）的医学问题总结框架，以更准确地理解消费者意图和检索合适的答案，同时解决了数据泄露问题和正确捕捉语义意图的挑战。

Apr, 2023