提出了一个新的多领域、开放领域的基于方面的摘要数据集 “WikiAsp”，该数据集通过使用 20 个不同领域的维基百科文章并使用每篇文章的标题和边界作为方面标注的代理。研究结果表明现有的摘要模型在此情况下面临的关键挑战，具体包括引用来源的代词处理和时间敏感事件的一致解释。

Nov, 2020

本研究提出一种基于方面的抽象化摘要方法，可以对任意与文件相关的方面进行总结，带有外部知识库的弱监督构建方法和方面建模方案可以提高性能。

Oct, 2020

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

我们提出了一种使用医疗语料库有效微调领域特定小型基础语言模型 (Large Language Model) 的方法，并展示了可以使用基于人工智能的批评来有效评估摘要质量，并且这种基于人工智能的管道生成特定领域、针对个人需求的摘要可以以非常高效和低成本的方式轻松扩展到其他领域，如法律、企业文件、教育等。

Jun, 2024

通过将主题发现和总结集成到单一步骤中，我们提出的 JADS 算法从文本数据中发现方面，并生成主题的总结，其在优化总结和聚类算法中表现出更好的性能和稳定性，此外，从 JADS 中获得的嵌入展现出更优越的聚类能力，我们所提出的方法在语义对齐和准确性方面取得了较高的水平。

May, 2024

本文提出一种面向产品评论的自适应知识型意见摘要模型，有效地捕捉了意见摘要所需的自适应性质并生成面向方面的摘要，能更好地个性化和信息化地为用户提供有用信息，适应用户的不同兴趣和偏好。

May, 2023

本文介绍了一个数据集 AspectNews，并比较了不同训练方案的效果，研究表明最终方法可以生成更好的聚焦摘要，相比通用摘要系统或关键字匹配更为敏感。

Oct, 2021

利用众包知识构建了高质量、大规模、面向开放领域的方面为基础的自动摘要数据集（OASum），包含超过 3.7 百万个实例，在 200 万个维基百科页面上涵盖了大约 1 百万种不同的方面类型，并在七个下游数据集上进行了数据零、少样本以及微调处理，显示出在方面或特定查询焦点生成能力方面，预先训练的模型表现出强劲的能力，数据集及预训练检查点已公开提供。

Dec, 2022

近年来，自动摘要模型的性能有了显著提升，然而在满足实际场景中用户的具体信息需求方面仍存在差距，尤其是在本文中所针对的有用的基于方面的摘要设置中。为了推动更加现实的场景研究，我们引入了 OpenAsp，一个用于多文档开放方面的摘要的基准。该基准使用一种新颖且具有成本效益的注释协议来创建，通过该协议从现有的通用多文档摘要数据集中提取开放方面数据集。我们分析了 OpenAsp 的特性，展示了其高质量的内容，并且证明了 OpenAsp 中实现的现实开放方面设置对于当前最先进的摘要模型和大型语言模型来说是一个挑战。

Dec, 2023

本论文提出了一种基于方面查询的定制摘要生成方法，使用多示例学习模型诱导的方面控制器创建 (review,summary) 对的合成训练数据集，通过微调预训练模型，生成修改方面控制器的方面特定摘要。在两个基准测试中，我们的模型表现优于先前的技术水平，并通过控制讨论的方面数量生成个性化摘要。

Sep, 2021