IDEAL: Leveraging Infinite and Dynamic Characterizations of Large Language Models for Query-focused Summarization
Zhejiang University（浙江大学）；Tencent, Wechat（腾讯，微信）
本文针对查询导向摘要问题，提出两种核心方法：高效细粒度查询-LLM对齐和长文档摘要，通过Query-aware HyperExpert和Query-focused Infini-attention模块实现，实验验证了方法的有效性和通用性。
2026-06-04 cs.AI cs.CL
Leveraging Long-Context Large Language Models for Multi-Document Understanding and Summarization in Enterprise Applications
TCS（塔塔咨询服务公司）；SAGE University（SAGE大学）
本文探讨长上下文大型语言模型在多文档摘要生成中的应用，通过法律、医疗等案例验证其效率与准确性的提升，并分析技术障碍与伦理考量，提出未来研究方向。
2024-09-27 cs.AI cs.CL
Scaling Up Summarization: Leveraging Large Language Models for Long Text Extractive Summarization
Sanofi（赛诺菲）
提出EYEGLAXS框架，利用LLAMA2-7B和ChatGLM2-6B结合Flash Attention与PEFT技术进行长文本抽取式摘要，在PubMed和ArXiv数据集上创下新基准，确保事实完整性并解决资源挑战。
2024-08-28 cs.CL
ACLSum: A New Dataset for Aspect-based Summarization of Scientific Publications
University of Mannheim（曼海姆大学）；Mannheim University of Applied Sciences（曼海姆应用技术大学）
针对现有摘要数据集多为半自动生成、质量欠佳的问题，研究者发布由领域专家构建的ACLSum多方面科学摘要数据集，实验验证端到端基于方面的摘要方法在学术领域整体更优。
2024-03-08 cs.CL
A Guide To Effectively Leveraging LLMs for Low-Resource Text Summarization: Data Augmentation and Semi-supervised Approaches
Cheriton School of Computer Science, University of Waterloo（滑铁卢大学切尔顿计算机科学学院）；ServiceNow Research（ServiceNow研究院）；University of British Columbia（不列颠哥伦比亚大学）
本文提出MixSumm数据增强和PPSL半监督伪标签两种方法，利用LLaMA-3-70b-Instruct模型在低资源场景下有效提升文本摘要性能，仅用5%标注数据即可达到全监督效果。
2025-01-23 cs.AI cs.CL
CARPAS: Towards Content-Aware Refinement of Provided Aspects for Summarization in Large Language Models
National Yang Ming Chiao Tung University（国家阳明交通大学）
本文提出CARPAS任务，构建三个数据集，引入两阶段框架优化LLMs的方面摘要生成，解决过度生成问题，提升了各数据集的性能并获得LLMs合规性的关键见解。
2026-09-03 cs.CL
Leveraging Graph to Improve Abstractive Multi-Document Summarization
Baidu Inc.（百度公司）；Beijing University of Posts and Telecommunications（北京邮电大学）
捕获文本单元之间关系的图形对于从多个文档中检测显着信息并生成整体连贯的摘要有很大的好处。在本文中，我们开发了一个神经抽象多文档摘要（MDS）模型，它可以利用众所周知的图形表示的文件，如相似性图和话语图，更有效地处理多个输入文档，并产生抽象摘要。我们的模型利用图来编码文档，以捕获跨文档关系，这对于总结长文档至关重要。我们的模型还可以利用图来指导摘要生成过程，这有利于生成连贯和简洁的摘要。此外，预训练的语言模型可以很容易地与我们的模型相结合，这进一步提高了摘要的性能显着。WikiSum和MultiNews数据集上的实证结果表明，所提出的架构在几个强大的基线上带来了实质性的改进。
2020-05-20 cs.CL
Leveraging Information Bottleneck for Scientific Document Summarization
Monash University（莫纳什大学）；Deakin University（迪肯大学）；Zhongtukexin Co. Ltd.（中土科信有限公司）
基于信息瓶颈原理，提出了一种无监督的科技长文档抽取方法。以前的工作，使用信息瓶颈原则的句子压缩的启发，我们将其扩展到文档级的摘要与两个单独的步骤。在第一步中，我们使用信号作为查询，从源文档中检索关键内容。然后，预先训练的语言模型进行进一步的句子搜索和编辑，以返回最终提取的摘要。重要的是，我们的工作可以通过不同的信号灵活地扩展到多视图框架。对三个科学文献数据集的自动评估验证了该框架的有效性。进一步的人工评估表明，提取的摘要比以前的系统覆盖更多的内容方面。
2021-10-04 cs.CL
Prompted Aspect Key Point Analysis for Quantitative Review Summarization
RMIT University（RMIT大学）；Nanyang Technological University（南洋理工大学）
本文提出PAKPA框架，利用方面情感分析和LLM提示式上下文学习，生成忠实且量化准确的关键点，用于定量评论摘要，在Yelp和SPACE数据集上达到最先进性能。
2024-07-19 cs.CL
Leveraging Large Language Models for Comparative Literature Summarization with Reflective Incremental Mechanisms
Autonomous University of Nuevo León（新莱昂自治大学）
提出 ChatCite 方法，通过多步推理、增量构建与反思记忆机制让 LLM 生成比较文献综述，并在 CompLit-LongContext 上超越 GPT-4 等基线。
2024-12-03 cs.CL cs.IR
AaKOS: Aspect-adaptive Knowledge-based Opinion Summarization
Auckland University of Technology（奥克兰理工大学）；University of Tasmania（塔斯马尼亚大学）
针对现有观点摘要方法缺乏方面自适应性、大语言模型难以离线部署的问题，提出面向产品评论的AaKOS模型，可生成聚焦用户感兴趣方面的个性化摘要，性能优于现有最优方法。
2023-05-26 cs.CL
SuryaKiran at MEDIQA-Sum 2023: Leveraging LoRA for Clinical Dialogue Summarization
Optum（奥普腾公司）
本文研究利用参数高效微调方法 LoRA 进行临床对话摘要，证明其效果可与端到端微调相媲美，并报告了在 ImageCLEFmedical 子任务 A 和 B 上的评估结果。
2023-07-11 cs.AI cs.CL cs.LG
TracSum: A New Benchmark for Aspect-Based Summarization with Sentence-Level Traceability in Medical Domain
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Institute for AI in Medicine (IKIM)（医学人工智能研究所）；University Hospital Essen（埃森大学医院）
TracSum提出了一种面向医学领域的可追溯摘要基准，通过句子级引用提高摘要准确性，并展示了基于Track-Then-Sum的基线方法及实验结果。
2025-08-19 cs.CL
Leveraging Generative AI for Clinical Evidence Summarization Needs to Ensure Trustworthiness
Columbia University（哥伦比亚大学）；National Institutes of Health（美国国立卫生研究院）；Northeastern University（东北大学）；University of Pennsylvania（宾夕法尼亚大学）；Weill Cornell Medicine（威尔康奈尔医学院）；Cornell University（康奈尔大学）；University of Pittsburgh（匹兹堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）；University of Haifa（海法大学）
本文探讨生成式人工智能在医学证据自动总结中的可信性问题，指出其在促进循证医学任务的同时，开发负责任、公平且包容的模型仍面临挑战。
2024-04-01 cs.AI
AspirinSum: an Aspect-based utility-preserved de-identification Summarization framework
针对文本数据高效通用去标识化方法匮乏、难适配特定领域的问题，本研究提出AspirinSum框架，通过对齐专家方面维度实现敏感文档的效用保留去标识化摘要，可用于数据发布并支撑下游任务。
2024-06-20 cs.AI cs.CL
EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations
University of British Columbia（不列颠哥伦比亚大学）；Meta AI；Monash University（莫纳什大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对基于内容的推荐需求，本文提出EmbSum框架，结合预训练编解码模型、多头注意力层与LLM监督的用户兴趣摘要生成，实现离线预计算与长期兴趣建模，在两个跨领域数据集上以更少参数超越现有最优方法，还可输出兴趣摘要。
2024-08-19 cs.CL cs.IR
MAPLE: Medical Aspect-Based Summarization with Phrase-Level Evidence
University of Duisburg-Essen（杜伊斯堡-埃森大学）；University of Applied Sciences and Arts Dortmund（多特蒙德应用科学大学）；University Hospital Essen（埃森大学医院）；Institute for Artificial Intelligence in Medicine (IKIM)（医学人工智能研究所（IKIM））
PCoA提出了一种医疗领域基于方面摘要的基准，通过短语级上下文归因提升摘要质量，并验证了其在评估系统生成摘要中的有效性。
2026-09-30 cs.CL
Q-STRUM Debate: Query-Driven Contrastive Summarization for Recommendation Comparison
University of Toronto（多伦多大学）
本文提出 Q-STRUM Debate，通过辩论式提示扩展 STRUM-LLM，利用大语言模型生成查询相关的聚焦对比摘要，在三个数据集上显著提升了查询驱动对比摘要的性能。
2025-06-02 cs.CL
DiSCo: Making Absence Visible in Intelligent Summarization Interfaces
University of Haifa（海法大学）
DiSCo通过对比领域期望揭示摘要中的缺失内容，提升智能摘要界面的透明度和决策支持能力。
2026-01-13 cs.AI cs.HC cs.IR
ThreadSumm: Summarization of Nested Discourse Threads Using Tree of Thoughts
PortNLP Lab, Portland State University（波特兰州立大学PortNLP实验室）；Department of Computer Science, Portland State University（波特兰州立大学计算机科学系）
ThreadSumm通过多阶段LLM框架处理嵌套讨论线中的交错回复和引用，生成逻辑结构更清晰的摘要，同时提升观点覆盖和方面保留。
2026-04-19 cs.CL
A Stepwise Questioning Expert-Editor Multi-Agent Framework for Long-Document Summarization
针对大语言模型长文档摘要性能挑战，提出专家 - 编辑逐步提问多智能体方法，通过不同方面提问和提供修订线索完善摘要，经实验验证了该方法在长文档科学数据集上的有效性。
2026-07-14 cs.AI cs.CL
Aspect-Oriented Summarization for Psychiatric Short-Term Readmission Prediction
McLean Hospital（麦克莱恩医院）；Korea University（高丽大学）；Harvard Medical School（哈佛医学院）
针对精神科短期再入院预测这一复杂任务中LLMs零样本性能欠佳、传统摘要存在信息丢失的问题，提出面向方面的摘要方法，整合不同方面摘要信号监督训练Transformer模型，在四家医院真实数据上提升了预测性能。
2025-11-10 cs.CL
Leveraging GPT-4 for Food Effect Summarization to Enhance Product-Specific Guidance Development via Iterative Prompting
Drexel University（德雷塞尔大学）；United States Food and Drug Administration（美国食品药品监督管理局）
本研究提出一种三轮迭代提示方法，利用 GPT-4 从新药申请文件中生成食物效应摘要，实验表明其生成的摘要在事实一致性上表现优异，能显著提升特定产品指南评估的效率。
2023-06-28 cs.AI cs.CL cs.LG
Advancing Speech Summarization in Multi-modal LLMs with Reinforcement Learning
Microsoft CoreAI（微软核心人工智能）
提出多阶段强化学习训练框架，增强多模态大语言模型的语音摘要能力，显著超越强基线和更大模型，缩小与文本大模型的差距。
2025-09-23 cs.AI cs.CL eess.AS
Efficient Aspect-Based Summarization of Climate Change Reports with Small Language Models
Queen Mary University of London（伦敦玛丽女王大学）；University of Pisa（比萨大学）
本文发布气候变化报告ABS数据集，并首次结合能源效率与任务性能评估零样本生成模型，证明小型语言模型在ABS任务上性能接近大模型且碳足迹更低。
2024-11-21 cs.CL
Mutual Reinforcement of LLM Dialogue Synthesis and Summarization Capabilities for Few-Shot Dialogue Summarization
Johns Hopkins University（约翰斯·霍普金斯大学）；Apple Research（苹果研究院）
提出MRDS机制，通过相互强化LLM的对话合成与摘要能力，以合成数据增强少样本训练，显著提升对话摘要性能。
2025-02-24 cs.AI cs.CL cs.LG
A Multi-Model Metric-based Selection Framework for Abstractive Text summarization
University of Science and Technology of China（中国科学技术大学）
提出一种多模型自适应选择框架，通过集成多个微调的Transformer模型并基于自动评估指标选择最佳摘要，在CNN/DailyMail数据集上BERTScore达88.63%，优于GPT3-D2等大模型。
2026-07-16 cs.AI cs.CL
Model-based Preference Optimization in Abstractive Summarization without Human Feedback
Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院）
针对抽象式摘要幻觉及偏好优化依赖昂贵人类反馈的问题，提出MPO方法，利用模型自身不同解码策略生成偏好数据微调LLM，实验证明可显著提升摘要质量。
2024-10-02 cs.AI cs.CL
Systematic Exploration of Dialogue Summarization Approaches for Reproducibility, Comparative Assessment, and Methodological Innovations for Advancing Natural Language Processing in Abstractive Summarization
SRM Institute of Science and Technology（SRM科学技术学院）；SRM University, AP（SRM大学（安得拉邦））
本文系统复现并比较了基于AMI数据集的HMNet和多种PGN对话摘要模型，通过人工评估分析其摘要质量与信息量，揭示了原始研究与复现结果之间的差异，为抽象式摘要的可复现性研究提供方法学参考。
2024-10-21 cs.AI cs.CL
Similar Data Points Identification with LLM: A Human-in-the-loop Strategy Using Summarization and Hidden State Insights
Ohio University（俄亥俄大学）；Brown University（布朗大学）；Rutgers University（罗格斯大学）
本文提出一种人在回路策略，通过LLM摘要与隐藏状态提取两步法识别表格和图像等非自由文本数据中的相似数据点，并在多个数据集上验证其有效性，支持非技术专家快速识别特定场景下的相似数据点。
2024-09-27 cs.AI cs.CL
Progressive Code Integration for Abstractive Bug Report Summarization
Islamic University of Technology（伊斯兰技术大学）
本文提出渐进式代码集成框架，通过整合长代码片段和文本内容，提升基于LLM的bug报告摘要效果，优于现有方法。
2025-11-29 cs.AI cs.CL cs.SE
Leveraging Domain Knowledge for Efficient Reward Modelling in RLHF: A Case-Study in E-Commerce Opinion Summarization
IIT Bombay（印度理工学院孟买分校）；Flipkart（Flipkart公司）
提出将领域知识注入RLHF奖励模型的新方法，减少21倍偏好标注需求，在电商意见摘要任务中以940样本超越SOTA，并发布两个新数据集。
2024-04-18 cs.CL cs.LG
Instructive Dialogue Summarization with Query Aggregations
Institute for Infocomm Research (IR)（信息通信研究院）；A*STAR（新加坡科技研究局）
本文针对对话摘要未考虑用户特定兴趣的问题，提出通过三步合成查询式摘要数据并训练统一模型InstructDS，在多个数据集上超越现有模型，提升了泛化性与忠实度。
2024-08-01 cs.CL
Prompted Opinion Summarization with GPT-3.5
IIT Bombay（印度理工学院孟买分校）；Salesforce AI（赛富时人工智能研究院）；UT Austin（德克萨斯大学奥斯汀分校）
本文探索了使用GPT-3.5进行提示式意见摘要的流水线方法，通过递归摘要和监督聚类等技术处理大规模用户评论，并在人工评估中表现优异，同时引入了三个新评估指标。
2023-05-23 cs.CL
Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization
Department of Computer Science, University of British Columbia（英属哥伦比亚大学计算机科学系）；Salesforce AI Research（Salesforce人工智能研究）
本文提出一种主题引导的强化学习方法，通过在GRPO框架中引入主题奖励以衡量生成摘要与源文档的主题对齐度，有效改进了多文档摘要的内容选择，并在Multi-News等数据集上持续优于强基线。
2025-09-11 cs.CL
Reasoning-Aware Query-Focused Summarization over Multi-Table Data
Henan Polytechnic University（河南理工大学）
针对多表数据查询聚焦摘要现有方法预处理复杂、泛化性差、推理能力不足的问题，提出融合表感知预训练、查询对齐微调和反馈强化学习的端到端框架QueryTableSummarizer++，在多项指标上优于基线，具备良好泛化性与实用价值。
2024-12-12 cs.CL
DETQUS: Decomposition-Enhanced Transformers for QUery-focused Summarization
University of Florida（佛罗里达大学）
本文提出DETQUS系统，通过大型语言模型对表格进行查询相关的列分解并结合微调的编码器-解码器模型，在查询聚焦表格摘要任务上以ROUGE-L 0.4437超越REFACTOR模型，实现了可扩展且高效的摘要生成。
2025-03-07 cs.CL
TriSum: Learning Summarization Ability from Large Language Models with Structured Rationale
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；GE HealthCare（GE医疗）
TriSum通过蒸馏大型语言模型的摘要能力到紧凑本地模型，利用方面三元组理由和课程学习，在多个基准上显著提升性能并增强可解释性。
2024-03-15 cs.CL
Towards Code Summarization of APIs Based on Unofficial Documentation Using NLP Techniques
École de Technologie Supérieure（高等技术学院）
针对官方API文档信息获取效率不足的问题，提出利用NLP技术结合非官方文档自动生成API及方法摘要的方法，生成结果具有竞争力，可作为开发维护的补充参考。
2023-11-06 cs.AI cs.SE
Leveraging Non-dialogue Summaries for Dialogue Summarization
ActionPower
为了缓解学术界缺乏多样的对话摘要数据集，我们提出了利用非对话摘要数据来增强对话摘要系统的方法。我们将转换应用于文档摘要数据对，以创建更适合对话摘要的训练数据。建议的转换还保留了非对话数据集的理想属性，例如对源文本的忠实性。我们进行了广泛的实验，在英语和韩语，以验证我们的方法。虽然ROUGE中的绝对增益随着更多对话摘要样本的引入而自然趋于平稳，但利用非对话数据进行训练显著提高了零镜头和Few-Shot设置中的摘要性能，并增强了所有训练机制的忠实性。
2022-10-17 cs.AI cs.CL
Multi-modal Summarization in Model-Based Engineering: Automotive Software Development Case Study
Technical University of Munich（慕尼黑工业大学）
本研究探索多模态大语言模型在基于模型的工程（MBE）中理解和识别UML与EMF图表信息的能力，并通过汽车软件开发案例评估了多模态摘要提升MBE实践生产力与准确性的潜力与局限。
2025-03-06 cs.AI cs.SE
Early Exit and Multi Stage Knowledge Distillation in VLMs for Video Summarization
Department of Computer Science and Engineering, IIT Bombay（印度理工学院班加罗尔计算机科学与工程系）；Center of Machine Intelligence and Data Science (C-MInDS), IIT Bombay（印度理工学院班加罗尔人工智能与数据科学中心）
本文提出DEEVISum，一种结合多阶段知识蒸馏与早期退出的轻量级视觉语言模型，用于分段视频摘要，在TVSum上以3B模型取得61.1的F1，兼顾性能与效率。
2025-09-11 cs.AI cs.CV
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
JADS: A Framework for Self-supervised Joint Aspect Discovery and Summarization
Amazon（亚马逊）
JADS提出自监督框架，将方面发现与摘要生成整合为一步，优于两步基线，并通过预训练提升性能与稳定性，嵌入具有更强聚类能力。
2024-05-28 cs.AI cs.CL
Leveraging Word Embeddings for Spoken Document Summarization
Academia Sinica（中央研究院）；National Taiwan Normal University（台湾师范大学）；National Taiwan University（台湾大学）
由于互联网上可获得的多媒体内容的快速增长，提取的口语文档摘要，其目的是从口语文档中自动选择一组代表性的句子，以简明地表达文档的最重要的主题，一直是研究和实验的活跃领域。另一方面，词嵌入由于其在许多自然语言处理（NLP）相关任务中的优异性能而成为一个新的热门研究课题。然而，据我们所知，有相对较少的研究调查其使用提取文本或语音摘要。在摘要过程中利用词嵌入的共同思路是通过对文档（或句子）中出现的词的词嵌入求平均来表示文档（或句子）。然后，直观地，余弦相似性度量可以用来确定一对表示之间的相关度。除了继续努力提高词的表示，本文重点是建立新的和有效的排名模型的基础上，一般的词嵌入方法提取语音摘要。实验结果表明，我们提出的方法的有效性，与现有的国家的最先进的方法相比。
2015-06-14 cs.AI cs.CL
MODABS: Multi-Objective Learning for Dynamic Aspect-Based Summarization
Dartmouth College（达特茅斯学院）
针对在线内容激增下的动态方面式摘要需求，提出采用Longformer-Encoder-Decoder的多目标学习框架MODABS，通过三目标优化实现方面数对齐与摘要质量的平衡，在三个数据集上显著优于基线。
2024-06-17 cs.CL
Leveraging Summary Guidance on Medical Report Summarization
Hainan University（海南大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本研究提出了三个去识别的大型医学文本数据集，名为DISCHARGE，ECHO和RADIOLOGY，分别包含来自MIMIC-III的50 K，16 K和378 K对报告和摘要。我们实现了令人信服的基线的自动抽象摘要建议的数据集与预训练的编码器-解码器语言模型，包括BERT 2BERT，T5-大和BART。此外，基于BART模型，我们利用采样摘要从训练集作为先验知识指导，编码器编码额外的上下文表示的指导和增强解码器中的解码表示。实验结果证实了所提出的方法的ROUGE分数和BERTScore的改善，优于更大的模型T5-large。
2023-02-08 cs.AI cs.CL
Aspect and Opinion Aware Abstractive Review Summarization with Reinforced Hard Typed Decoder
Tsinghua University（清华大学）；Singapore Management University（新加坡管理大学）
本文研究了摘要式综述摘要，针对综述摘要通常由方面词、观点词和上下文词组成的特点，提出了一种两阶段强化学习方法，首先从这三种类型中预测输出词的类型，在两个Amazon产品评论数据集上的实验结果表明，该方法可以一致地优于基于ROUGE分数的几种强基线方法。
2020-04-13 cs.CL cs.IR cs.LG
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
Medifact at PerAnsSumm 2025: Leveraging Lightweight Models for Perspective-Specific Summarization of Clinical Q&A Forums
National University of Computer and Emerging Sciences (NUCES-FAST)（国家计算机与新兴科学大学（NUCES-FAST））
本研究针对PerAnsSumm 2025医疗视角感知答案摘要任务，提出Snorkel-BART-SVM小样本学习框架，通过弱监督SVM分类视角相关句子再用BART-CNN生成摘要，在百支队伍中排第12，兼顾效率与准确性，助力医疗CQA与临床决策支持研究。
2025-03-15 cs.AI cs.CL
LexAbSumm: Aspect-based Summarization of Legal Decisions
School of Computation, Information, and Technology（计算、信息与技术学院）；Technical University of Munich（慕尼黑工业大学）
本文提出面向法律判决的基于方面摘要数据集 LexAbSumm，并评估多个长文档抽象式摘要模型，揭示生成方面特定摘要的挑战，以推动法律领域研究。
2024-03-31 cs.CL
WikiAsp: A Dataset for Multi-domain Aspect-based Summarization
Carnegie Mellon University（卡内基梅隆大学）；AlphaSense
基于主题的摘要是基于特定兴趣点生成重点摘要的任务。这样的摘要有助于有效地分析文本，例如从不同角度快速理解评论或观点。然而，由于不同域的方面的类型存在很大差异（例如，情感，产品功能），以前的模型的发展往往是特定领域的。在本文中，我们提出了WikiAsp，一个大规模的数据集，多域基于方面的总结，试图刺激研究的方向开放域基于方面的总结。具体来说，我们使用来自20个不同领域的维基百科文章构建数据集，使用每篇文章的章节标题和边界作为方面注释的代理。我们为此任务提出了几个简单的基线模型，并在数据集上进行实验。结果突出了现有摘要模型在这种情况下面临的主要挑战，如正确的代词处理引用的来源和一致的时间敏感事件的解释。
2020-11-16 cs.CL
BookAsSumQA: An Evaluation Framework for Aspect-Based Book Summarization via Question Answering
The University of Electro-Communications（电子通信大学）；Santa Clara University（圣克拉拉大学）；DOCOMO Innovations, Inc.（doCOMO创新公司）
本文提出BookAsSumQA框架，通过从叙事知识图谱自动生成面向方面的问答对来评估书籍摘要质量，实验表明RAG方法在长文档上比LLM方法更高效实用。
2025-11-09 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
