CitiLink-Summ: Summarization of Discussion Subjects in European Portuguese Municipal Meeting Minutes
University of Beira Interior（贝拉内华大学）；University of Macau（澳门大学）
本文提出CitiLink-Summ数据集，包含欧洲葡萄牙语市政会议记录及人工摘要，用于研究该领域自动摘要技术。
2026-02-18 cs.CL
VCSUM: A Versatile Chinese Meeting Summarization Dataset
City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；SenseTime Research（商汤科技研究院）
本文提出VCSum，一个包含239场真实会议、总时长超230小时的多功能中文会议摘要数据集，支持多种摘要任务，并提供基准模型以促进研究。
2023-05-15 cs.AI cs.CL
Earlier Isn't Always Better: Sub-aspect Analysis on Corpus and System Biases in Summarization
University of Pittsburgh（匹兹堡大学）；Carnegie Mellon University（卡内基梅隆大学）
尽管神经摘要系统最近取得了一些进展，但系统改进背后的逻辑及其语料库依赖性在很大程度上仍未得到探索。例如，句子在原文中的位置是新闻摘要的一个众所周知的偏见。根据摘要是子功能组合的主张，我们定义了摘要的三个子方面：位置，重要性和多样性，并对每个子方面相对于九个不同摘要语料库（例如，新闻、学术论文、会议记录、电影剧本、书籍、帖子）。我们发现，虽然立场在新闻文章中表现出很大的偏见，但情况并非如此，例如，学术论文和会议记录。此外，我们的实证研究表明，不同类型的摘要系统（例如，基于神经的）是由不同程度的子方面组成的。我们的研究提供了有用的经验教训，在收集新的摘要数据集或开发新系统时，考虑潜在的子方面。
2019-08-30 cs.CL
Query-Utterance Attention with Joint modeling for Query-Focused Meeting Summarization
Beijing University of Posts and Telecommunications（北京邮电大学）
本文针对面向查询的会议摘要任务，提出基于查询-话语注意力的联合建模框架，同时利用词元级和话语级查询相关性，在QMSum数据集上取得新的最先进性能。
2023-06-01 cs.AI cs.CL
Align then Summarize: Automatic Alignment Methods for Summarization Corpus Creation
Le Mans Université（勒芒大学）；Ubiqus Labs（Ubiqus实验室）；Université Paris Descartes（巴黎笛卡尔大学）；Avignon Université（阿维尼翁大学）
摘要文本不是一项简单的任务。在考虑文本摘要之前，应该确定预期的摘要类型。信息应该压缩到什么程度？是否需要重新措辞，或者摘要是否应该坚持原来的措辞？自动摘要技术的发展主要围绕新闻文章展开。我们认为，考虑更广泛的任务将导致该领域的改进，在泛化和鲁棒性方面。我们探讨会议摘要：从自动transmitting生成报告。我们的工作包括对报告进行分割和对齐，以获得适合神经摘要的数据集。使用自举方法，我们提供了由人类注释者校正的预对齐，从而建立了一个验证集，我们可以根据该验证集评估自动模型。这通过迭代提供更好的预对齐来不断减少注释者的工作量，并通过使用我们的自动对齐模型中的注释来最大化语料库大小。评估是在\publicmeetings上进行的，这是一个新的对齐公共会议语料库。我们报告了自动对齐和摘要在这个语料库的性能，并表明自动对齐是相关的数据注释，因为它导致了大的改善几乎+4对所有的ROUGE分数的摘要任务。
2020-07-15 cs.CL
MUG: A General Meeting Understanding and Generation Benchmark
Speech Lab of DAMO Academy, Alibaba Group（阿里巴巴集团达摩院语音实验室）；Zhejiang University（浙江大学）
从视频会议和在线课程中收听长视频/音频记录以获取信息的效率极低。即使在ASR系统将录音转录成长格式的口语文档之后，阅读ASR记录也只能部分地加快寻找信息的速度。据观察，一系列的NLP应用，如关键词提取，主题分割和摘要，显着提高用户的效率，掌握重要信息。会议场景是部署这些口语处理（SLP）功能最有价值的场景之一。然而，缺乏大规模的公共会议数据集注释这些SLP任务严重阻碍了他们的进步。为了促进SLP的进步，我们建立了一个大规模的通用会议理解和生成基准（MUG），以衡量各种SLP任务的性能，包括主题分割，主题级和会话级提取摘要和主题标题生成，关键词提取和动作项检测。为了促进MUG基准测试，我们构建并发布了一个用于全面的长形式SLP开发的大规模会议数据集，即AliMeeting 4 MUG语料库，该语料库由654个记录的普通话会议会话组成，具有不同的主题覆盖范围，并在会议记录的手动抄本上为SLP任务进行手动注释。据我们所知，AliMeeting 4 MUG语料库是迄今为止规模最大的会议语料库，有助于大多数SLP任务。本文详细介绍了该语料库、SLP任务和评价方法、基线系统及其性能。
2023-03-27 cs.CL
Revisiting Automatic Question Summarization Evaluation in the Biomedical Domain
Alibaba DAMO Academy（阿里巴巴达摩院）；Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
摘要自动评价指标通过提供对摘要质量的即时和公正的评估，促进了自动摘要方法的快速发展。大多数指标都是针对一般领域开发的，特别是新闻和会议记录，或其他语言生成任务。然而，这些指标被应用于评估摘要系统在不同的领域，如生物医学问题摘要。为了更好地了解常用的评估指标是否能够评估自动摘要在生物医学领域，我们进行人类的评价摘要质量从四个不同方面的生物医学问题摘要任务。基于人类的判断，我们确定不同的值得注意的功能，目前的自动度量和摘要系统以及。我们还发布了我们的人类注释的数据集，以帮助在生物医学领域的摘要评估指标的研究。
2023-03-18 cs.CL
Meeting Summarization with Pre-training and Clustering Methods
自动会议摘要是越来越受欢迎的这些天。自动总结会议和提取关键信息的能力可以大大提高我们的工作和生活效率。在本文中，我们实验了不同的方法来提高基于查询的会议摘要的性能。我们从HMNet \cite{hmnet}开始，这是一个分层网络，它同时使用字级Transformer和匝级Transformer作为基线。我们探索了使用大型新闻摘要数据集预训练模型的有效性。我们研究添加查询的嵌入作为基于查询的摘要的输入向量的一部分。此外，我们还尝试使用中间聚类步骤扩展QMSum \cite{qmsum}的定位然后汇总方法。最后，我们将我们的基线模型的性能与BART进行了比较，BART是一种最先进的语言模型，对于摘要是有效的。我们通过在模型的输入中添加查询嵌入，使用BART作为替代语言模型，以及在将文本输入摘要模型之前使用聚类方法在话语级别提取关键信息来提高性能。
2021-11-16 cs.CL
OpenAsp: A Benchmark for Multi-document Open Aspect-based Summarization
Bar-Ilan University（巴伊兰大学）；One AI（One AI公司）；Amazon（亚马逊）
本文提出多文档开放方面级摘要基准 OpenAsp，利用低成本标注协议从通用多文档摘要数据集派生数据，并证明该真实设定对现有摘要模型和 LLM 均具挑战。
2023-12-07 cs.CL
Comparative Personalization for Multi-document Summarization
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出ComPSum框架，通过对比用户偏好生成结构化分析以指导个性化多文档摘要，并构建PerMSum数据集和AuthorMap评估框架，实验证明其优于强基线。
2025-09-25 cs.CL
NLP for Local Governance Meeting Records: A Focus Article on Tasks, Datasets, Metrics and Benchmark
University of Beira Interior（贝拉内尔大学）；INESC TEC；University of Porto（波尔图大学）
本文聚焦地方治理会议记录的NLP任务，探讨文档分割、实体提取和文本摘要等关键技术，旨在提升政府记录的可访问性和解读性。
2026-02-08 cs.CL
How Domain Terminology Affects Meeting Summarization Performance
University of Central Florida（中佛罗里达大学）
会议对现代组织来说是必不可少的。每天都有许多会议举行和记录，比以往任何时候都要多。一个会议摘要系统可以从记录中识别出突出的话语，从而自动生成会议记录。它使用户能够快速搜索和筛选大型会议集合。到目前为止，领域术语对会议摘要性能的影响仍然研究不足，尽管会议是丰富的领域知识。在本文中，我们创建了一个相当大的会议语料库领域术语的黄金标准注释，他们被称为行话术语。然后，我们分析了一个会议摘要系统的性能与行话条款。我们的研究结果表明，领域术语可以有实质性的影响摘要性能。我们公开发布所有领域术语，以推进会议摘要的研究。
2020-11-09 cs.CL
Domain-Oriented Prefix-Tuning: Towards Efficient and Generalizable Fine-tuning for Zero-Shot Dialogue Summarization
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan Group（美团集团）
目前最先进的抽象对话摘要器缺乏对新领域的泛化能力，摘要中的领域自适应研究一般依赖于大规模的预训练。为探索对话摘要领域自适应的轻量级微调方法，提出了一种高效、可推广的面向领域前缀调整模型。该模型利用领域词初始化前缀模块缓解领域纠缠，采用离散提示引导模型聚焦对话关键内容，增强模型泛化能力。我们进行了zero-shot实验，并在两个多领域对话摘要数据集TODSum和QMSum上建立了领域自适应基准。大量的实验和定性分析证明了本文方法的有效性。
2022-04-09 cs.CL
Meeting Summarization: A Survey of the State of the Art
IMRSV Data Labs.（IMRSV数据实验室）
信息过载需要摘要器从文本中提取突出的信息。目前，由于虚拟通信平台的兴起，对话数据过载。新冠肺炎疫情的兴起导致人们依赖Zoom、Slack、Microsoft Teams、Discord等在线沟通平台来召开公司会议。人们可以使用会议摘要器来选择有用的数据，而不是浏览整个会议记录。然而，在会议摘要方面缺乏全面的调查。在本调查中，我们的目标是涵盖最新的会议摘要技术。我们的调查提供了文本摘要的一般概述以及会议摘要的数据集和评估指标。我们还在排行榜上提供每个摘要器的性能。我们结束了我们的调查，在这一领域的不同挑战和潜在的研究机会，为未来的研究人员。
2022-12-16 cs.CL
Dial2Desc: End-to-end Dialogue Description Generation
Zhejiang University（浙江大学）；University of Southern California（南加利福尼亚大学）；Chinese Academy of Sciences（中国科学院）
我们首先提出了一个新的任务命名为对话描述（Dial2Desc）。与其他现有的对话摘要任务（如会议摘要）不同，我们不保持对话的自然流动，而是描述人们正在谈论的对象或动作。Dial2Desc系统将对话文本作为输入，然后输出对该对话中涉及的对象或动作的简明描述。读了这段简短的描述后，一个人可以很快地提取出一段对话的主要话题，并在脑海中建立一个清晰的画面，而不必阅读或倾听整个对话。在已有的对话数据集的基础上，我们建立了一个新的数据集，它有超过十万个对话描述对。作为向前迈出的一步，我们证明，与其他基线相比，使用一种新的神经注意模型可以获得更准确和描述性的结果，该模型利用了不同说话者的话语之间的相互作用。
2018-11-01 cs.CL
Focused Meeting Summarization via Unsupervised Relation Extraction
Cornell University（康奈尔大学）
我们提出了一种新的无监督框架，重点会议摘要，认为问题的关系抽取的一个例子。我们采用现有的域内关系学习器（Chen et al.，2011）通过利用一组任务特定的约束和特征。我们评估的决策摘要任务的方法，并表明它优于无监督的话语级提取摘要基线，以及现有的通用关系提取为基础的摘要方法。此外，我们的方法产生的总结与监督方法产生的标准ROUGE评分方面的竞争。
2016-06-24 cs.CL
Dynamic Sliding Window for Meeting Summarization
Institute for Infocomm Research, A*STAR（资讯通信研究院，新加坡科技研究局）
近年来，抽象的口语摘要引起了人们的研究兴趣，神经序列到序列方法带来了显着的性能改善。然而，总结冗长的会议记录仍然具有挑战性。由于源内容和目标摘要的长度很长，神经模型很容易被上下文分散注意力，并产生质量下降的摘要。此外，具有输入长度限制的预先训练的语言模型不能容易地应用于长序列。在这项工作中，我们首先分析了具有代表性的语料库上的会议记录的语言特征，并发现组成摘要的句子与会议议程相关。基于这一观察，我们提出了一个动态滑动窗口的会议摘要策略。实验结果表明，该方法的性能得到了提高，输出结果比基本模型获得了更高的事实一致性。
2021-08-31 cs.CL
A Hierarchical Network for Abstractive Meeting Summarization with Cross-Domain Pretraining
Microsoft Cognitive Services Research Group（微软认知服务研究组）
随着大量的自动会议记录的出现，会议摘要越来越受到与会者和其他各方的关注。传统的总结会议的方法依赖于复杂的多步管道，这使得联合优化变得棘手。与此同时，还有一些用于文本摘要和对话系统的深度神经模型。然而，会议记录的语义结构和风格与文章和对话有很大的不同。在本文中，我们提出了一种新的抽象摘要网络，适应会议场景。我们设计了一个层次结构，以适应长的会议成绩单和角色向量来描述扬声器之间的差异。此外，由于会议摘要数据的不足，我们在大规模新闻摘要数据上对模型进行了预训练。实证结果表明，我们的模型优于以前的方法在自动度量和人类的评价。例如，在ICSI数据集上，ROUGE-1评分从34.66%增加到46.28%。
2020-09-20 cs.CL
CREAM: Comparison-Based Reference-Free ELO-Ranked Automatic Evaluation for Meeting Summarization
JPMorgan Chase & Co.（摩根大通公司）；Columbia University（哥伦比亚大学）
针对现有自动评估方法在会议摘要等复杂任务上效果不佳的问题，本文提出无参考评估框架CREAM，结合思维链与关键事实对齐评估摘要质量，并通过ELO排名实现不同模型或提示配置的鲁棒比较。
2024-09-17 cs.CL
Abstractive Meeting Summarization: A Survey
Linagora（利纳戈拉公司）；École Polytechnique（巴黎综合理工学院）
本文综述抽象式会议摘要任务，梳理其挑战以及用于解决该任务的数据集、模型与评估指标。
2023-04-25 cs.CL
Unsupervised Topic Modeling Approaches to Decision Summarization in Spoken Meetings
Cornell University（康奈尔大学）
我们提出了一个令牌级的决策摘要框架，利用潜在的主题结构的话语，以确定“值得总结”的话。实验结果表明，细粒度的主题模型能够更好地识别决策过程的要点，它在话语级而不是文档级发现主题。此外，我们提出的令牌级摘要方法，这是能够消除话语内的冗余，优于现有的话语排名为基础的摘要方法。最后，还调查上下文信息以向摘要添加额外的相关信息。
2016-06-24 cs.CL
Abstractive Meeting Summarization UsingDependency Graph Fusion
The Pennsylvania State University（宾夕法尼亚州立大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；National University of Singapore（新加坡国立大学）
迄今为止开发的会议会话自动摘要技术主要是提取的，导致摘要不佳。为了改善这一点，我们提出了一种方法来生成抽象的摘要融合重要内容从几个话语。任何会议通常都由几个讨论主题部分组成。对于会议会话中的每个主题段，我们的目标是使用基于整数线性规划的句子融合方法从最重要的话语中生成一个句子摘要。实验结果表明，我们的方法可以产生更多的信息摘要比基线。
2016-09-22 cs.CL
Investigating Consistency in Query-Based Meeting Summarization: A Comparative Study of Different Embedding Methods
National Central University（中央大学）
针对会议记录结构复杂导致摘要困难及一致性问题，受QMSum启发提出Locater与Summarizer结合的模型，并比较不同词嵌入技术以提升摘要一致性。
2024-02-10 cs.CL
Minuteman: Machine and Human Joining Forces in Meeting Summarization
Charles University（查理大学）
提出半自动会议记录工具Minuteman，通过人机协作实时编辑转录和摘要，解决ASR命名实体错误及模型幻觉问题，降低认知负荷。
2023-09-11 cs.CL
Unsupervised Abstractive Meeting Summarization with Multi-Sentence Compression and Budgeted Submodular Maximization
École Polytechnique（巴黎综合理工学院）；Linagora（利纳戈拉公司）；AUEB（雅典经济与商业大学）
我们介绍了一种新的基于图的框架，抽象的会议语音摘要，是完全无监督的，不依赖于任何注释。我们的工作结合了多种最新方法的优势，同时解决了它们的弱点。此外，我们利用应用于NLP的词嵌入和图退化的最新进展，考虑外部语义知识，并设计自定义多样性和信息量的措施。在AMI和ICSI语料库上的实验表明，我们的系统在现有技术的基础上有所改进，代码和数据是公开的，并且我们的系统可以进行交互式测试。
2018-11-14 cs.CL
M$^3$FinMeeting: A Multilingual, Multi-Sector, and Multi-Task Financial Meeting Understanding Evaluation Dataset
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Qwen DianJin Team, Alibaba Cloud Computing（阿里云量子金融团队）
本文提出多语言、多行业、多任务的金融会议理解评测基准M$^3$FinMeeting，涵盖摘要、QA对抽取和问答任务，实验显示现有大语言模型仍有较大提升空间。
2025-06-03 cs.AI cs.CL
Private Meeting Summarization Without Performance Loss
University of Copenhagen（哥本哈根大学）；Technical University of Darmstadt（达姆施塔特工业大学）
本文研究差分隐私约束下的会议摘要，发现差分隐私虽在样本内略降性能，但在未见会议类型上反而提升性能，使安全会议摘要更可行，并通过错误分析识别潜在风险。
2023-05-25 cs.CL cs.CR
Query-OPT: Optimizing Inference of Large Language Models via Multi-Query Instructions in Meeting Summarization
Dialpad Inc.（Dialpad公司）
本文研究在会议摘要任务中将同一上下文的多个查询合并为单个提示，以减少LLM推理调用成本，并通过对比多种主流LLMs验证了多查询提示在优化推理成本方面的有效性。
2024-10-20 cs.CL
Summ^N: A Multi-Stage Summarization Framework for Long Input Dialogues and Documents
Penn State University（宾夕法尼亚州立大学）；Yale University（耶鲁大学）；Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
文本摘要可以帮助读者从文档、新闻、采访和会议中捕捉突出的信息。然而，大多数最先进的预训练语言模型（LM）无法有效地处理长文本的许多摘要任务。在本文中，我们提出了Summ $^N$，这是一个简单，灵活，有效的多阶段框架，用于输入文本，这些文本长于典型的预训练LM的最大上下文长度。Summ $^N$首先对数据样本进行分割，并在多个阶段中生成一个粗略的摘要，然后在此基础上生成最终的细粒度摘要。我们的框架可以通过调整阶段的数量来处理任意长度的输入文本，同时保持LM输入大小固定。此外，它可以处理单源文档和对话，它可以使用在不同的骨干抽象摘要模型。据我们所知，Summ $^N$是第一个用于长输入摘要的多级拆分然后汇总框架。我们的实验表明，Summ $^N$通过提高三个长会议摘要数据集AMI，ICSI和QMSum，来自SummScreen的两个长电视连续剧数据集和长文档摘要数据集GovReport的ROUGE分数，优于以前的最先进的方法。我们的数据和代码可在https://github.com/psunlpgroup/Summ-N上获得。
2022-04-13 cs.CL
Adapter-based Selective Knowledge Distillation for Federated Multi-domain Meeting Summarization
Research Center for Social Computing and Information Retrieval, Harbin Institute of Technology（哈尔滨工业大学社会计算与信息检索研究中心）；Peng Cheng Laboratory（鹏城实验室）；School of Computing, National University of Singapore（新加坡国立大学计算机学院）
针对会议摘要中数据敏感、多领域non-IID分布及通信成本高的问题，提出AdaFedSelecKD，通过双适配器与选择性知识蒸馏实现低通信、鲁棒的联邦训练。
2023-08-07 cs.CL
Reconstruct Before Summarize: An Efficient Two-Step Framework for Condensing and Summarizing Meeting Transcripts
City University of Hong Kong（香港城市大学）；The Chinese University of Hong Kong（香港中文大学）；SenseTime Research（商汤科技研究院）
提出一种名为RbS的两步会议总结框架，通过自监督重构标注关键内容并结合相对位置分桶算法压缩输入，在AMI和ICSI数据集上超越现有方法且无需大规模预训练。
2023-10-22 cs.CL
Summarizing Decisions in Spoken Meetings
Cornell University（康奈尔大学）
本文解决了口头会议中的决策摘要问题：我们的目标是为每个会议决策生成一个简明的{ \it决策摘要}。我们探索和比较令牌级和对话行为级的自动摘要方法使用无监督和监督学习框架。在监督摘要设置，并给出真正的聚类决策相关的话语，我们发现，令牌级的摘要，采用话语上下文可以接近直接从对话行为的决策摘要的上限。在无监督的摘要设置中，我们发现基于决策相关话语的无监督分区的摘要执行基于使用监督技术生成的分区的摘要（使用基于LDA的主题模型的0.22 ROUGE-F1与使用SVM的0.23）。
2016-06-25 cs.CL
Building Real-World Meeting Summarization Systems using Large Language Models: A Practical Perspective
Dialpad Canada Inc.（Dialpad加拿大公司）
本文针对真实场景会议摘要需求，对比评估多款闭源与开源大语言模型，发现开源LLaMA-2系列零样本性能可媲美闭源模型，其中LLaMA-2-7B兼顾性能、成本与隐私，更适用于工业场景，为相关落地提供实践参考。
2023-11-08 cs.CL
Improving Query-Focused Meeting Summarization with Query-Relevant Knowledge
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心）；The Hong Kong University of Science and Technology（香港科技大学）
针对查询聚焦会议摘要中长文本与信息稀疏的挑战，提出知识增强两阶段框架KAS，在QMSum上取得最优性能，生成相关且忠实的摘要。
2023-09-05 cs.AI cs.CL
Tiny Titans: Can Smaller Large Language Models Punch Above Their Weight in the Real World for Meeting Summarization?
Dialpad Inc.（戴尔德公司）
针对大语言模型现实部署成本高的问题，本文对比微调后小型LLMs与零样本大型LLMs的会议摘要性能，发现7.8亿参数的FLAN-T5可媲美甚至超越70亿到700亿+参数的大模型，为工业部署提供高性价比方案。
2024-04-15 cs.CL
Leveraging Discourse Structure for Extractive Meeting Summarization
LINAGORA（林戈拉公司）；École Polytechnique（巴黎综合理工学院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文提出一种利用篇章图和GNN节点分类模型选择重要话语的会议抽取式摘要系统，在AMI和ICSI数据集上超越现有方法，并通过消融研究为未来NLP应用提供见解。
2024-09-23 cs.AI cs.CL
Leverage Unlabeled Data for Abstractive Speech Summarization with Self-Supervised Learning and Back-Summarization
Ubiqus Labs（Ubiqus实验室）；LIUM – Le Mans Université（勒芒大学计算机科学实验室）；Université de Paris（巴黎大学）；LIA – Avignon Université（阿维尼翁大学计算机科学实验室）
神经抽象摘要的监督方法需要大量的注释语料库，构建成本很高。我们提出了一个法语会议摘要任务，报告预测的基础上自动转录的会议录音。为了为该任务构建语料库，需要获取每次会议的（自动或手动）转录，然后将其与相应的手动报告进行分割和对齐，以产生适合于训练的训练样本。另一方面，我们可以访问大量未对齐的数据，特别是没有相应转录的报告。报告是专业的书面和良好的格式，使预处理简单。在这种情况下，我们研究了如何使用两种方法来利用这种大量的未对齐数据：（i）使用目标端去噪编码器-解码器模型的自监督预训练;（ii）后摘要，即通过学习预测给定报告的转录来逆转摘要过程，以便将单个报告与生成的转录对齐，并使用此合成数据集进行进一步训练。我们报告了两种方法在两个评估集上与以前的基线（仅在对齐数据上训练）相比的巨大改进。此外，将两者结合起来可以得到更好的结果，在两个评估集上，其表现优于基线，分别为+6 ROUGE-1和ROUGE-L以及+5 ROUGE-2
2020-09-17 cs.CL
Policies and Evaluation for Online Meeting Summarization
Zoom Video Communications（Zoom视频通讯公司）
本文首次系统研究在线会议摘要任务，提出多种在线摘要策略并定义评估延迟与部分摘要质量的新指标，在AutoMin数据集上验证了在线模型的有效性及自适应策略优于固定调度策略。
2025-02-05 cs.AI cs.CL cs.LG
Re-FRAME the Meeting Summarization SCOPE: Fact-Based Summarization and Personalization via Questions
University of Göttingen（哥廷根大学）
针对大语言模型会议摘要易出现幻觉、遗漏等问题，提出FRAME事实性摘要流水线与SCOPE个性化协议，搭配无参考评估框架P-MESA，有效提升摘要忠实度与个性化适配效果。
2025-11-14 cs.AI cs.CL
Learning to Rank Utterances for Query-Focused Meeting Summarization
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出Ranker-Generator框架，通过成对比较和全局顺序学习对会议语句进行排序，有效选取查询相关语句以辅助摘要生成，在QMSum上以更少参数超越现有模型。
2023-05-22 cs.AI cs.CL
What's Wrong? Refining Meeting Summaries with LLM Feedback
Georg-August-Universität Göttingen（哥廷根大学）
针对LLM生成会议摘要存在的相关性不足和幻觉问题，提出模仿人类审阅流程的多LLM两阶段修正方法，发布含九类错误标注的QMSum Mistake数据集，实验证明该方法可有效提升摘要质量。
2024-07-16 cs.AI cs.CL
What's under the hood: Investigating Automatic Metrics on Meeting Summarization
University of Göttingen（哥廷根大学）
本文针对会议摘要评估中自动指标难以捕捉会议特有错误的问题，基于 QMSum 与人工错误标注分析常用指标，揭示其相关性弱及错误掩盖现象。
2024-10-18 cs.AI cs.CL
Segment-level Tree Search for Long Meeting Document Summarization
GSAI, POSTECH（浦项科技大学人工智能研究院）；CSE, POSTECH（浦项科技大学计算机科学与工程系）；ETH Zurich（苏黎世联邦理工学院）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；Agentic AI Lab, KT（KT公司智能体人工智能实验室）；LILT（LILT公司）
提出基于蒙特卡洛树搜索的段级摘要框架S3，无需训练即可组合段级候选摘要，使用7B模型达到72B模型性能。
2026-06-07 cs.AI cs.CL
Tell me what I need to know: Exploring LLM-based (Personalized) Abstractive Multi-Source Meeting Summarization
University of Göttingen（哥廷根大学）；Mercedes-Benz AG（梅赛德斯-奔驰公司）
提出三阶段 LLM 多源会议摘要框架，融合补充材料并按参与者特征个性化，显著提升摘要相关性与信息量，同时评估多模型性能—成本权衡。
2024-10-18 cs.AI cs.CL
ESSumm: Extractive Speech Summarization from Untranscribed Meeting
University of Maryland, College Park（马里兰大学帕克分校）
在本文中，我们提出了一种新的架构，直接提取语音到语音摘要，ESSumm，这是一个无监督的模型，不依赖于中间转录文本。与以往的文本呈现方法不同，我们的目标是直接从语音生成摘要，而无需转录。首先，根据语音信号的声学特征提取一组较小的语音段。对于每个候选语音段，设计了基于距离的摘要置信度作为潜在语音表征度量。具体来说，我们利用现成的自监督卷积神经网络从原始音频中提取深度语音特征。我们的方法自动预测的最佳序列的语音片段，捕获的关键信息与目标摘要长度。两个著名的会议数据集（AMI和ICSI语料库）的广泛结果表明，我们的直接语音为基础的方法，以提高摘要质量与未转录的数据的有效性。我们还观察到，我们的无监督的语音为基础的方法，甚至执行与最近的成绩单为基础的摘要方法，其中需要额外的语音识别。
2022-09-14 cs.CL cs.SD eess.AS
Action-Item-Driven Summarization of Long Meeting Transcripts
Rice University（莱斯大学）；University of Colorado, Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本文提出一种由行动项驱动的长会议记录摘要生成方法，通过递归生成各部分摘要并提取行动项合并，配合三种基于主题的文本划分方法提升效率并缓解LLM长期依赖遗忘，在AMI语料库上BERTScore较微调BART提升约4.98%。
2024-01-06 cs.AI cs.CL
ALIGNMEET: A Comprehensive Tool for Meeting Annotation, Alignment, and Evaluation
Charles University（查理大学）
摘要是一个具有挑战性的问题，更具有挑战性的是手动创建，更正和评估摘要。当输入是会议设置中的多方对话时，问题的严重性会增加。为了促进这方面的研究，我们提出了ALIGNMEET，一个全面的工具，会议注释，对齐和评估。该工具旨在为快速注释提供高效清晰的界面，同时降低引入错误的风险。此外，我们还增加了一个评估模式，可以对会议记录进行全面的质量评估。据我们所知，没有这样的工具可用。我们将该工具作为开源发布。它也可以直接从PyPI安装。
2022-05-11 cs.CL
Restructuring Conversations using Discourse Relations for Zero-shot Abstractive Dialogue Summarization
adsc-create.edu.sg；cs.cmu.edu
由于会话数据的非正式和非结构化性质，会话摘要是一个具有挑战性的问题。摘要摘要的最新进展一直集中在数据饥饿的神经模型和适应这些模型到一个新的领域需要特定领域的可用性手动注释语料库创建的语言专家。我们提出了一个zero-shot的抽象对话摘要方法，使用话语关系来提供结构的对话，然后使用一个开箱即用的文档摘要模型来创建最终的摘要。在AMI和ICSI会议语料库上进行的实验，使用PGN和BART等文档摘要模型，表明我们的方法将ROGUE分数提高了3分，甚至与其他最先进的方法相比具有竞争力。
2020-10-13 cs.CL
Content Selection in Deep Learning Models of Summarization
University of Maryland, College Park（马里兰大学帕克分校）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
我们使用深度学习模型对新闻、个人故事、会议和医学文章等领域的摘要进行了实验，以了解内容选择是如何进行的。我们发现，许多先进的提取摘要的国家复杂的功能并没有提高性能比简单的模型。这些结果表明，为新领域创建摘要器比以前的工作更容易，并对深度学习模型用于具有大量数据集的领域的摘要的好处提出了质疑（即，news）。与此同时，他们提出了重要的问题，为新的研究摘要;即，新的形式的句子表示或外部知识来源，需要更好地适应总结任务。
2019-02-18 cs.CL
MeetSum: Transforming Meeting Transcript Summarization using Transformers!
University of Waterloo（滑铁卢大学）
由于可用于训练神经网络模型的标记数据量有限，因此从会议记录创建抽象摘要已被证明是具有挑战性的。此外，基于transformer的架构已被证明在总结新闻数据方面击败了最先进的模型。在本文中，我们利用一个基于转换器的指针生成器网络来生成会议记录的摘要。该模型使用两个LSTM作为编码器和解码器，一个指针网络从输入的文本中复制单词，一个生成器网络生成词汇表外的单词（因此使摘要抽象）。此外，使用覆盖机制来避免所生成的摘要中的单词重复。首先，我们证明了在新闻摘要数据集上训练模型，并使用零样本学习在会议数据集上测试它，比在AMI会议数据集上训练它产生更好的结果。其次，我们证明了首先在域外数据（如CNN-Dailymail数据集）上训练该模型，然后在AMI会议数据集上进行微调，能够显着提高模型的性能。我们在AMI数据集的测试集上测试了我们的模型，并报告了生成的摘要的ROUGE-2评分，以与以前的文献进行比较。我们还报告了我们的摘要的事实得分，因为它是抽象摘要的更好基准，因为ROUGE-2得分仅限于测量单词重叠。我们表明，我们的改进模型是能够提高以前的模型至少5个ROUGE-2分数，这是一个实质性的改进。此外，对我们的模型生成的摘要的定性分析表明，这些摘要是人类可读的，并且确实从成绩单中捕获了大部分重要信息。
2021-08-13 cs.CL cs.LG
A Survey on Dialogue Summarization: Recent Advances and New Frontiers
Harbin Institute of Technology（哈尔滨工业大学）
对话摘要旨在将原始对话压缩成包含显著信息的较短版本，这是减少对话数据过载的重要方法。近年来，随着对话系统和自然语言生成技术的发展，这一领域的研究出现了新的进展。然而，仍然缺乏对这一任务的全面调查。为此，我们迈出了第一步，并提出了一个彻底的审查这一研究领域仔细和广泛。具体来说，我们根据每个领域的特点，系统地整理了当前的作品，涵盖了会议，聊天，电子邮件线程，客户服务和医疗对话。此外，我们还提供了公开可用的研究数据集的概述，并在统一的指标下组织了两个排行榜。在此基础上，本文还讨论了未来的发展方向，包括忠实性、多模态、多领域和多语种的对话摘要，并给出了自己的想法。我们希望，这第一次调查的对话摘要可以提供一个快速的访问和一个整体的图片，这一任务，并激励未来的研究。
2022-04-28 cs.CL
You need to MIMIC to get FAME: Solving Meeting Transcript Scarcity with a Multi-Agent Conversations
University of Göttingen（哥廷根大学）
为解决会议摘要高质量数据受限问题，提出多智能体会议合成框架 MIMIC 生成 FAME 数据集，并辅以基于心理学的评估框架，验证其能近似真实会议条件，可作为可扩展的会议数据代理。
2025-05-30 cs.AI cs.CL
EmailSum: Abstractive Email Thread Summarization
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Facebook AI Research（脸书人工智能研究院）；Microsoft Research（微软研究院）
近年来，人们对总结会话线程（会议，在线讨论等）的挑战性任务产生了兴趣。这样的摘要有助于分析长文本，以快速赶上所做的决定，从而提高我们的工作或沟通效率。为了促进线程摘要的研究，我们开发了一个抽象的电子邮件线程摘要（EmailSum）数据集，其中包含2549个电子邮件线程（每个线程包含3到10封电子邮件）的人工注释的短（<30字）和长（<100字）摘要，涉及各种主题。我们进行了一项全面的实证研究，以探索不同的摘要技术（包括提取和抽象方法，单文档和层次模型，以及迁移和半监督学习），并对短期和长期摘要生成任务进行人工评估。我们的研究结果揭示了当前抽象摘要模型在这项任务中面临的主要挑战，例如理解发送者的意图和识别发送者和接收者的角色。此外，我们发现，广泛使用的自动评估指标（ROUGE，BERTScore）弱相关性与人类的判断，这个电子邮件线程摘要任务。因此，我们强调人类评估和社区开发更好指标的重要性。我们的代码和摘要数据已在以下网站提供：https://github.com/ZhangShiyue/EmailSum
2021-07-30 cs.AI cs.CL
Exploring the Limits of ChatGPT for Query or Aspect-based Text Summarization
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Microsoft（微软）；NEC Laboratories America（NEC美国实验室）
文本摘要是自然语言处理中的一个重要问题。它旨在将冗长的文件压缩成较短的版本，同时保留最关键的信息。已经提出了各种文本摘要方法，包括抽取式和抽象式摘要。大语言模型（LLM）的出现，如GPT3和ChatGPT，最近产生了使用这些模型进行文本摘要任务的极大兴趣。最近的研究\cite{goyal2022news, zhang2023benchmarking}表明，LLMs生成的新闻摘要已经与人类不相上下。然而，LLM对于更实际的应用程序（如方面或基于查询的摘要）的性能还没有得到充分的研究。为了填补这一空白，我们在四个广泛使用的基准数据集上对ChatGPT的性能进行了评估，其中包括Reddit帖子，新闻文章，对话会议和故事的各种摘要。我们的实验表明，ChatGPT的性能与传统的微调方法在胭脂分数方面相当。此外，我们强调了ChatGPT生成的摘要和人类引用之间的一些独特差异，为ChatGPT在各种文本摘要任务中的强大功能提供了有价值的见解。我们的研究结果呼吁在这一领域的新方向，我们计划进行进一步的研究，通过广泛的人类评估系统地检查ChatGPT生成的摘要的特征。
2023-02-16 cs.AI cs.CL
