MeetingBank: A Benchmark Dataset for Meeting Summarization
University of Central Florida（中佛罗里达大学）；Adobe Research（Adobe研究院）；Emory University（埃默里大学）
本文提出 MeetingBank 基准数据集，通过将市议会会议纪要分段并与会议片段对齐的分而治之方法，为会议摘要研究提供新的测试平台并公开全部数据。
2023-05-27 cs.CL
VT-SSum: A Benchmark Dataset for Video Transcript Segmentation and Summarization
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft（微软）
视频文本摘要是视频理解的一项基本任务。传统的文本摘要方法通常建立在书面语言（如新闻文章）的摘要数据上，而领域差异可能会降低口语文本的模型性能。在本文中，我们介绍了VT-Ssum，这是一个用于视频转录分割和摘要的口语基准数据集，其中包括来自9，616个视频的125 K转录摘要对。VT-SSum利用VideoLectures.NET中的视频，利用幻灯片内容作为弱监督来生成视频记录的提取摘要。使用最先进的深度学习方法进行的实验表明，使用VT-Ssum训练的模型在AMI口语文本摘要基准测试中有显着改进。VT-SSum可在https://github.com/Dod-o/VT-SSum上公开获取，以支持未来的视频文本分割和摘要任务研究。
2021-07-15 cs.CL
Extractive Summarization of Call Transcripts
Verizon Communications（威瑞森通信公司）
文本摘要是从文本中提取最重要的信息，并以较少的句子简洁地呈现的过程。通话记录是涉及客户（呼叫者）和代理（客户代表）之间电话对话的文本描述的文本。本文提出了一种本土开发的方法，结合主题建模和句子选择与标点符号恢复在浓缩不佳标点或unpunctuated通话记录，以产生更可读的摘要。广泛的测试，评估和比较已经证明了这个汇总器的呼叫成绩单摘要的有效性。
2021-04-15 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
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
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
QMSum: A New Benchmark for Query-based Multi-domain Meeting Summarization
Fudan University（复旦大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Yale University（耶鲁大学）；Microsoft Research（微软研究院）；Microsoft Cognitive Services Research（微软认知服务研究院）
会议是人类协作的关键组成部分。随着越来越多的会议被记录和转录，会议摘要变得至关重要，可以提醒那些可能参加或可能没有参加会议的人关于所作的关键决定和有待完成的任务。然而，很难创建一个简短的摘要，涵盖涉及多个人和主题的长时间会议的所有内容。为了满足不同类型用户的需求，我们定义了一个新的基于查询的多域会议摘要任务，其中模型必须选择和总结相关的会议跨度，以响应查询，我们引入了QMSum，一个新的基准此任务。QMSum由多个领域的232个会议上的1，808个查询摘要对组成。此外，我们研究了一个定位然后总结的方法，并评估了一组强大的摘要基线的任务。实验结果和手动分析表明，QMSum提出了重大挑战，在长时间会议摘要为未来的研究。数据集可在\url{https://github.com/Yale-LILY/QMSum}上获得。
2021-04-13 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
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
Unsupervised Topic Segmentation of Meetings with BERT Embeddings
Facebook, Inc.（脸书公司）
会议的主题分割是将多人会议记录分成主题块的任务。由于收集和准确注释大型数据集的困难，该问题的监督方法已被证明是棘手的。在本文中，我们展示了如何使用预先训练的神经架构来改进以前的无监督主题分割方法。我们引入了一种基于BERT嵌入的无监督方法，该方法比现有的无监督方法降低了15.5%的出错率，适用于两个流行的会议记录数据集。
2021-06-24 cs.CL cs.LG
A Hybrid Strategy for Chat Transcript Summarization
Verizon Communications（威瑞森通信）
本文提出一种结合抽取式与生成式技术并利用强化学习优化质量的混合方法，用于在缺乏标注摘要时大规模部署聊天记录摘要。
2024-07-31 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
Aspect-based Meeting Transcript Summarization: A Two-Stage Approach with Weak Supervision on Sentence Classification
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Adobe Research（Adobe研究院）；The Hong Kong Polytechnic University（香港理工大学）
针对基于方面的会议转录摘要任务中相关句子混杂分散的问题，提出两阶段方法，先通过伪标记弱监督训练句子分类器筛选特定方面内容再生成摘要，在AMI语料库上效果优于强基线。
2023-11-07 cs.CL
Dialogue Discourse-Aware Graph Model and Data Augmentation for Meeting Summarization
Harbin Institute of Technology（哈尔滨工业大学）
会议摘要是一个具有挑战性的任务，由于其动态的多个发言人之间的互动性质和缺乏足够的训练数据。现有的方法将会议视为一个线性的话语序列，而忽略了每个话语之间的多样性关系。此外，有限的标记数据进一步阻碍了数据饥渴神经模型的能力。在本文中，我们试图通过引入对话-话语关系来缓解上述挑战。首先，我们提出了一个对话话语Dware会议摘要（DDAMS）明确建模的话语之间的相互作用在会议上建模不同的话语关系。其核心模块是关系图编码器，以图交互的方式对话语和话语关系进行建模。此外，我们设计了一个对话话语感知数据增强（DDADA）策略，从现有的输入会议，这是20倍以上的原始数据集，可用于预训练DDAMS构建伪摘要语料库。AMI和ICSI会议数据集上的实验结果表明，我们的整个系统可以达到SOTA性能。我们的代码将在https://github.com/xcfcode/DDAMS上提供。
2021-05-19 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
A Sliding-Window Approach to Automatic Creation of Meeting Minutes
University of Central Florida（中佛罗里达大学）
会议纪要记录会议上讨论的任何主题事项、达成的决定和采取的行动。鉴于大量会议是在虚拟空间举行的，会议记录的重要性怎么强调也不过分。在本文中，我们提出了一种自动生成会议纪要的滑动窗口方法。它旨在解决与口头文本的性质有关的问题，包括冗长的记录和缺乏文件结构，这些问题使得难以确定列入会议记录的重要内容。我们的方法结合了一个滑动窗口和神经抽象摘要浏览成绩单，找到突出的内容。自然会议对话的成绩单，在那里我们比较人类成绩单和两个版本的自动成绩单获得的结果，并讨论如何以及在何种程度上成功地捕捉突出的内容摘要的方法进行评估。
2021-04-26 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
StreamHover: Livestream Transcript Summarization and Annotation
University of Central Florida（中佛罗里达大学）；Adobe Research（Adobe研究院）
随着直播的爆炸式增长，迫切需要新的摘要技术，使我们能够创建流媒体内容的预览并利用这些丰富的知识。然而，由于口语的非正式性质，这个问题是不平凡的。此外，转录本摘要所需的注释数据集一直短缺。在本文中，我们介绍了StreamHover，一个用于注释和总结直播成绩单的框架。我们的基准数据集总共有超过500个小时的视频注释，包括提取和抽象摘要，比目前现有的注释语料库要大得多。我们探索了一种神经提取摘要模型，该模型利用矢量量化的变分自编码器来学习口语的潜在矢量表示，并从成绩单中识别突出的话语以形成摘要。我们表明，我们的模型更好地推广，并提高了强基线的性能。这项研究的结果为未来的研究提供了一个途径，以改善摘要解决方案，以有效地浏览直播。
2021-09-11 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
Towards Abstractive Grounded Summarization of Podcast Transcripts
Tencent AI Lab（腾讯人工智能实验室）；University of Central Florida（中佛罗里达大学）
播客最近显示出受欢迎程度的迅速上升。摘要的播客成绩单是实际利益的内容提供方和消费者。它帮助消费者快速决定是否要收听播客，并减少内容提供方撰写摘要的认知负荷。然而，播客摘要面临着重大的挑战，包括输入的事实不一致。这个问题是加剧了言语不流利和识别错误的口头语言的成绩单。在本文中，我们探索了一种新的抽象摘要方法，以减轻这些挑战。具体来说，我们的方法学习产生抽象的摘要，同时将摘要片段固定在转录本的特定部分，以允许对摘要细节进行全面检查。我们在一个大型播客数据集上对所提出的方法进行了一系列分析，并表明该方法可以取得令人满意的结果。固定摘要在定位包含不一致信息的摘要和转录片段方面带来了明显的好处，因此在自动和人工评估指标中显着提高了摘要质量。
2022-03-22 cs.AI cs.CL
Developing automatic verbatim transcripts for international multilingual meetings: an end-to-end solution
World Intellectual Property Organization（世界知识产权组织）
本文介绍WIPO利用内部S2T与MT组件构建的端到端多语言会议自动转录与翻译系统，总结其数据、架构、业务收益及对既有会议文档流程的替代。
2023-09-27 cs.AI cs.CL cs.LG
PublicHearingBR: A Brazilian Portuguese Dataset of Public Hearing Transcripts for Summarization of Long Documents
Câmara dos Deputados（国会）；Universidade Estadual de Campinas (Unicamp)（campinas州立大学）；Universidade Federal do Cariri (UFCA)（Cariri联邦大学）
本文提出巴西葡萄牙语长文档摘要数据集PublicHearingBR，包含听证会记录、新闻和结构化摘要，并提供混合摘要基线系统及对LLM摘要幻觉和评估指标的讨论。
2025-08-22 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
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
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
GETALP@AutoMin 2025: Leveraging RAG to Answer Questions based on Meeting Transcripts
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔理工大学、LIG实验室）
本研究为SIGDial 2025自动会议纪要共享任务B提出三种结合RAG与AMR的会议转录问答系统，证实AMR可提升约35%问题的回答质量，且在区分参会者的问题上效果显著。
2025-08-01 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
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
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
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
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
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
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
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
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
Efficient Data Generation for Source-grounded Information-seeking Dialogs: A Use Case for Meeting Transcripts
Google Research（谷歌研究院）；Bar-Ilan University（巴伊兰大学）
本研究提出一种半自动方法，利用LLMs生成对话并辅以人工验证归因，构建了MISeD会议信息寻求对话数据集，微调后模型性能优于更大规模的现成模型，且在保证生成质量的同时提升了归因质量并降低了成本。
2024-10-15 cs.AI cs.CL
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
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
Instruction-Guided Bullet Point Summarization of Long Financial Earnings Call Transcripts
Indian Institute of Technology（印度理工学院）；Vellore Institute of Technology（韦洛尔理工学院）
本文面向长篇财报电话会议记录，提出结合无监督问题抽取与参数高效指令微调的 FLAN-FinBPS，在 ECTSum 上实现 14.88% 的平均 ROUGE 提升并生成事实一致的要点摘要。
2024-05-03 cs.CE cs.CL cs.IR
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
MediaSum: A Large-scale Media Interview Dataset for Dialogue Summarization
Microsoft Cognitive Services Research Group（微软认知服务研究小组）
MediaSum是一个大规模的媒体采访数据集，包含463.6K的摘要。为了创建这个数据集，我们收集了NPR和CNN的采访记录，并使用概述和主题描述作为摘要。与现有的公共语料库的对话摘要相比，我们的数据集是一个数量级更大，包含复杂的多方对话从多个领域。我们进行统计分析，以证明独特的立场偏见表现在电视和广播采访的成绩单。我们还表明，MediaSum可以用于迁移学习，以提高模型在其他对话摘要任务上的性能。
2021-03-12 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
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
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
ECTSum: A New Benchmark Dataset For Bullet Point Summarization of Long Earnings Call Transcripts
IIT Kharagpur（印度理工学院克勒格布尔分校）；Goldman Sachs（高盛集团）；Leibniz University of Hannover（汉诺威莱布尼茨大学）
尽管在自动摘要方面取得了巨大的进步，但最先进的方法主要是在总结简短的新闻通讯文章或具有强烈布局偏见的文档（如科学文章或政府报告）方面表现出色。总结财务文件（包括事实和数字）的有效技术在很大程度上尚未探索，主要是由于缺乏合适的数据集。在这项工作中，我们提出了ECTSum，一个新的数据集，由上市公司托管的盈利电话会议（ECTs）的成绩单，作为文件，以及来自相应的路透社文章的简短专家撰写的电报式要点摘要。ECT是长的非结构化文档，没有任何规定的长度限制或格式。我们使用最先进的摘要器在各种指标上对数据集进行基准测试，以评估生成的摘要的内容质量和事实一致性。最后，我们提出了一种简单而有效的方法，ECT-BPS，以生成一组要点，精确地捕捉在电话中讨论的重要事实。
2022-10-26 cs.CL
Retrieved-Span Training for Efficient Query-Focused Meeting Summarization on QMSum
Ertas AI
针对QMSum无评分器问题，提出检索跨度训练方法，使406M模型在测试集上以36.33 ROUGE-1超越1.2B系统，且参数和内存更少，验证了该方法的有效性。
2026-09-23 cs.CL
Speech vs. Transcript: Does It Matter for Human Annotators in Speech Summarization?
Carnegie Mellon University（卡内基梅隆大学）；ASAPP Inc（ASAPP公司）；Mohammed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）
本研究对比语音和文本转录两种模态下人类标注的语音摘要差异，通过多维度评估发现语音摘要事实一致性与信息筛选性更优，转录摘要受识别错误影响，专家摘要更可靠，并公开数据代码推动领域研究。
2024-08-12 cs.CL cs.HC cs.SD
Generating Abstractive Summaries from Meeting Transcripts
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）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；National University of Singapore（新加坡国立大学）
会议摘要非常重要，因为它们以简洁的形式传达了讨论的基本内容。一般来说，阅读和理解整个文件是很耗时的。因此，摘要起着重要的作用，因为读者只对讨论的重要背景感兴趣。在这项工作中，我们解决了会议文件摘要的任务。迄今为止开发的会议对话自动摘要系统主要是提取的，导致难以阅读的不可接受的摘要。所提取的话语包含影响提取摘要的质量的不流利。为了使摘要更具可读性，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。我们首先将会议记录分成不同的主题片段，然后使用监督学习方法识别每个片段中的重要话语。然后将重要的话语组合在一起以生成一句话的摘要。在文本生成步骤中，每个片段中的话语的依赖性解析被组合在一起以创建有向图。通过整数线性规划（ILP）获得的信息量最大且结构良好的子图被选择用于为每个主题段生成一句话的摘要。ILP公式化通过利用在非会话风格的文本中更突出的语法关系来减少不流利，并且因此生成与人类书写的抽象摘要相当的摘要。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。此外，由人类法官的可读性评估以及从依赖解析器获得的对数似然估计表明，我们生成的摘要是显着可读和良好的形式。
2016-09-22 cs.CL
MeetEval: A Toolkit for Computation of Word Error Rates for Meeting Transcription Systems
Paderborn University（帕德博恩大学）；NTT Corporation（日本电报电话公司）
本研究推出开源工具包MeetEval，为会议转写系统提供统一的多类WER计算接口，通过为cpWER添加时间约束提升匹配质量与算法速度，还提出了从句段时序近似词级时序的有效方法。
2024-01-25 cs.CL eess.AS
Leveraging Pretrained Models for Automatic Summarization of Doctor-Patient Conversations
M Health Information Systems（3M健康信息系统公司）；Carnegie Mellon University（卡内基梅隆大学）
微调预训练模型自动总结医患对话成绩单提出了许多挑战：有限的训练数据，显着的域转移，长和嘈杂的成绩单，和高目标摘要的变化。在本文中，我们探讨了使用预训练的Transformer模型自动总结医患对话直接从成绩单的可行性。我们表明，流畅和充分的总结，可以产生有限的训练数据微调BART一个专门构造的数据集。由此产生的模型大大超过了平均人类注释者的性能和先前发布的任务工作的质量。我们评估了处理长对话的多种方法，将它们与截断对话以适应预训练模型长度限制的明显基线进行比较。我们引入了一个多阶段的方法，通过学习两个微调模型来处理任务：一个用于将会话块总结为部分摘要，然后将部分摘要的集合重写为完整的摘要。使用精心选择的微调数据集，这种方法被证明在处理较长的对话，提高生成的摘要的质量是有效的。我们进行自动评估（通过ROUGE和两个基于概念的指标，专注于医学发现）和人工评估（通过文献中的定性示例，评估幻觉，概括，流畅性和生成摘要的一般质量）。
2021-09-24 cs.CL cs.LG
