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
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
Multi-Query Focused Disaster Summarization via Instruction-Based Prompting
Technische Hochschule Nürnberg Georg Simon Ohm（纽伦堡乔治·西蒙·欧姆应用技术大学）
本文提出结合BM25和MonoT5两阶段检索、重排序及基于LLaMA-13b的问答驱动提示摘要方法，解决CrisisFACTS多流灾难事件关键事实提取任务，评估显示效果良好但开源与专有系统仍有差距。
2024-02-14 cs.CL
QTSumm: Query-Focused Summarization over Tabular Data
Yale University（耶鲁大学）；Harvard University（哈佛大学）；Zhejiang University（浙江大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Allen Institute for AI（艾伦人工智能研究所）
本研究定义了面向查询的表格摘要新任务，构建了含7111组标注对的QTSumm基准，提出ReFactor方法通过检索推理相关信息生成事实来增强基线模型，为表格到文本生成研究提出了新挑战。
2023-11-07 cs.CL
Theme-Explanation Structure for Table Summarization using Large Language Models: A Case Study on Korean Tabular Data
Sungkyunkwan University（成均馆大学）；Pohang University of Science and Technology（釜山科学技术大学）
本文提出Tabular-TX流水线，通过多步推理与记者角色提示生成主题-解释结构的表格摘要，无需微调即可高效处理韩语行政表格，提升可读性并适用于低资源场景。
2025-07-09 cs.AI cs.CL
QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs
University of Amsterdam（阿姆斯特丹大学）
本文提出QFMTS方法，通过表格序列化模块、摘要控制器和LLM生成聚焦查询的多表摘要，并构建了含4909个查询-摘要对的数据集，实验证明其优于基线方法。
2024-08-25 cs.AI cs.CL
Performance Evaluation of Large Language Models in Bangla Consumer Health Query Summarization
Islamic University of Technology（伊斯兰科技大学）
本研究评估了九种大型语言模型在孟加拉语消费者健康查询摘要任务中的零样本性能，发现零样本LLMs能匹敌微调模型，为低资源语言的医疗查询摘要提供了可扩展解决方案。
2025-05-08 cs.CL
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
WebCiteS: Attributed Query-Focused Summarization on Chinese Web Search Results with Citations
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Tencent（腾讯）；University of Science and Technology of China（中国科学技术大学）
本文提出中文数据集WebCiteS（含7000条带引用标注），定义查询聚焦摘要任务，并开发细粒度指标自动区分基础性错误与引用错误，评估显示LLM引用来源仍具挑战。
2024-05-29 cs.CL
Beyond Relevant Documents: A Knowledge-Intensive Approach for Query-Focused Summarization using Large Language Models
University of Amsterdam（阿姆斯特丹大学）；Amazon Alexa AI（亚马逊Alexa人工智能）；University of Edinburgh（爱丁堡大学）
提出一种知识密集型查询聚焦摘要方法，通过检索模块从大规模语料库获取文档，结合LLM摘要控制器生成准确摘要，无需预先相关文档，实验验证其优越性能。
2024-08-19 cs.CL cs.IR
"This Suits You the Best": Query Focused Comparative Explainable Summarization
Computer Science and Engineering, IIT Bombay, India（计算机科学与工程系，印度班加罗尔理工学院）；Flipkart, India（Flipkart，印度）
本文提出面向查询的比较式可解释摘要生成任务QF-CES，引入MS-Q2P数据集，并利用多源观点摘要作为中间步骤结合大语言模型生成表格化比较摘要，在降低推理延迟的同时实现了与人类判断高度相关的评估效果。
2025-07-07 cs.CL cs.IR
Information Satisfaction: A Reader-Centered Axis for Summarization Evaluation
St. Edward’s University（圣爱德华大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本研究提出以读者的信息满意度作为摘要评估的面向读者的轴，发现主流摘要指标无法衡量该满意度，且与人工判断一致性差。
2026-08-17 cs.CL
Query-Guided Self-Supervised Summarization of Nursing Notes
Aalto University（阿尔托大学）；Helsinki University Hospital（赫尔辛基大学医院）
针对现有临床摘要方法忽视护理记录且需参考摘要训练的问题，提出无需参考摘要的查询引导自监督领域自适应方法QGSumm，经实验验证其摘要质量高、幻觉率低，为临床条件文本摘要提供新视角。
2024-12-02 cs.AI cs.CL cs.LG
A Lightweight Constrained Generation Alternative for Query-focused Summarization
University of Utah（犹他大学）；Dataminr, Inc.（Dataminr公司）
本文提出基于NLD的轻量级约束生成QFS方法，利用梯度归因构建词汇约束并直接调整词汇似然，无需额外参数或微调，在两个公开集合上接近最先进性能。
2023-04-23 cs.CL cs.IR
Mirror: A Natural Language Interface for Data Querying, Summarization, and Visualization
University of California, San Diego（加州大学圣地亚哥分校）；Cisco（思科）
我们介绍了Mirror，这是一个由大语言模型驱动的数据探索和分析的开源平台。Mirror为查询数据库提供了直观的自然语言界面，并自动生成可执行的SQL命令来检索相关数据，并以自然语言进行汇总。此外，用户可以预览和手动编辑生成的SQL命令，以确保其查询的准确性。Mirror还生成可视化以促进对数据的理解。Mirror的设计考虑了灵活性和人为输入，适合经验丰富的数据分析师和希望从数据中获得见解的非技术专业人士。
2023-03-15 cs.AI cs.CL cs.DB
Large Language Model-Powered Query-Driven Event Timeline Summarization in Industrial Search
Baidu Inc.（百度公司）
提出QDET系统，通过多任务微调和强化学习实现查询驱动的事件时间线摘要，在百度搜索中显著提升用户参与度。
2026-05-26 cs.CL cs.IR
Improving Topic Relevance Model by Mix-structured Summarization and LLM-based Data Augmentation
Sichuan University（四川大学）
本文通过混合结构摘要与基于LLM的数据增强方法，提升社交搜索中查询与文档的主题相关性建模性能。
2025-12-10 cs.CL cs.IR
Towards Multi-Modal DBMSs for Seamless Querying of Texts and Tables
TU Darmstadt（达姆施塔特工业大学）；DFKI（德国人工智能研究中心）
本研究提出多模态数据库MMDBs，依托大语言模型构建多模态算子扩展关系数据库，无需手动转换即可用SQL查询文本与表格，在准确率、性能及微调数据需求上均优于现有最优方法。
2023-04-28 cs.CL cs.DB
Unstructured Evidence Attribution for Long Context Query Focused Summarization
Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系）；Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系）；School of Information, University of Michigan（密歇根大学信息学院）
针对长上下文查询聚焦摘要中固定粒度证据引用的局限，提出非结构化证据提取方法，构建合成数据集SUnsET，实验证明经其适配的大模型能生成更相关一致的摘要与证据。
2025-10-30 cs.CL cs.IR
Fan Out or Relay? Ownership-Aware Routing for LLM Agents Querying Siloed Tables
University of California San Diego（加利福尼亚大学圣迭戈分校）
针对LLM智能体查询孤立表的场景，提出所有权感知路由（OAR）方法，其在多数设置下准确率不劣于最优固定协议，在特定数据集上还优于所有固定协议。
2026-10-14 cs.AI cs.CL cs.MA
FGTR: Fine-Grained Multi-Table Retrieval via Hierarchical LLM Reasoning
Zhejiang University of Technology（浙江工业大学）；University of Aberdeen（阿伯丁大学）
本文提出FGTR，一种基于层次化LLM推理的细粒度多表检索方法，通过识别相关模式元素并检索对应单元格内容，构建与查询匹配的子表，提升检索精度和效率。
2026-03-30 cs.CL cs.IR cs.LG
Chain-of-Query: Unleashing the Power of LLMs in SQL-Aided Table Understanding via Multi-Agent Collaboration
Rice University（里士大学）；Samsung Electronics America（三星电子美国分公司）；Warner Bros. Discovery（华纳兄弟发现）
链式查询通过多智能体协作提升SQL辅助表格理解的准确性与有效性
2025-11-30 cs.AI cs.CL cs.DB
Query-Based Abstractive Summarization Using Neural Networks
Chalmers University of Technology（查尔姆斯理工大学）
在本文中，我们提出了一个模型，生成摘要的文本文档的查询。这称为基于查询的摘要。我们针对该任务调整现有的新闻文章摘要数据集，并使用该数据集训练指针生成器模型。通过测量与参考摘要的相似性来评价生成的摘要。我们的研究结果表明，一个神经网络摘要模型，类似于现有的神经网络模型的抽象摘要，可以构建利用查询，以产生有针对性的摘要。
2017-12-17 cs.CL
LOOMSUM: Weaving Quantitative and Narrative Evidence for Faithful Long Text-Table Summarization
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）
本研究提出无需训练的LOOMSUM框架，结合Table-Grounded Faithfulness指标，在FINDSum和USTT基准上提升长文本-表格摘要的分析忠实性，显式跨模态关联可减少事实配对错误。
2026-10-14 cs.CL
Diversity driven Attention Model for Query-based Abstractive Summarization
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；IBM Research India（IBM印度研究院）
摘要的目的是生成一个简短的版本的文件，涵盖了所有的显着点，在一个紧凑和连贯的方式。另一方面，基于查询的摘要突出显示了与给定查询上下文相关的那些点。编码-参与-解码范式在机器翻译、摘要提取、对话系统等方面取得了显著的成功，但它存在产生重复短语的缺点。在这项工作中，我们提出了一个基于查询的摘要任务的编码-参加-解码范式的基础上，有两个关键的补充（i）查询注意力模型（除了文档注意力模型之外），它学习在不同的时间步长关注查询的不同部分（而不是使用查询的静态表示）和（ii）一种新的基于多样性的注意力模型，旨在减轻摘要中重复短语的问题。为了能够测试这个模型，我们引入了一个新的基于查询的摘要数据集建立在debatepedia。我们的实验表明，有了这两个补充，所提出的模型明显优于香草编码参加解码模型的增益为28%（绝对）的ROUGE-L分数。
2018-07-13 cs.CL
Beyond Natural Language Plans: Structure-Aware Planning for Query-Focused Table Summarization
IRLab, University of Amsterdam（阿姆斯特丹大学IR实验室）
针对自然语言规划歧义缺结构、难转可执行程序且多表任务扩展性差的问题，提出结构化规划TaSoF和三阶段SPaGe框架，显式捕获依赖，在单多表基准上均优于现有模型。
2025-07-30 cs.CL
Unsupervised Dual-Cascade Learning with Pseudo-Feedback Distillation for Query-based Extractive Summarization
IBM Research（IBM研究院）
我们提出了Dual-CES -一种新的无监督，以查询为中心，多文档提取摘要。Dual-CES旨在更好地处理摘要中显着性和焦点之间的权衡。为此，Dual-CES采用两步双级联优化方法和基于显着性的伪反馈蒸馏。总的来说，Dual-CES的性能明显优于所有其他最先进的无监督替代品。Dual-CES甚至被证明能够胜过强监督摘要器。
2018-11-01 cs.CL
Transforming Wikipedia into Augmented Data for Query-Focused Summarization
Harbin Institute of Technology（哈尔滨工业大学）；Microsoft Research Asia（微软亚洲研究院）
现有的以查询为中心的摘要数据集的有限大小使得训练数据驱动的摘要模型具有挑战性。同时，人工构建以查询为中心的摘要语料库是昂贵和耗时的。在本文中，我们使用维基百科自动收集了一个包含超过280，000个示例的大型以查询为中心的摘要数据集（名为WIKIREF），这可以作为数据增强的一种手段。我们还开发了一个基于BERT的以查询为中心的摘要模型（Q-BERT），从文档中提取句子作为摘要。为了更好地使包含数百万参数的庞大模型适应微小的基准，我们只识别和微调一个稀疏的子网络，它对应于整个模型参数的一小部分。在三个DUC基准上的实验结果表明，在WIKIREF上预训练的模型已经达到了合理的性能。在对特定基准数据集进行微调后，具有数据增强的模型优于强比较系统。此外，我们提出的Q-BERT模型和子网络微调进一步提高了模型的性能。该数据集可在https://aka.ms/wikiref上公开获得。
2022-07-22 cs.CL
Improve Query Focused Abstractive Summarization by Incorporating Answer Relevance
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）
以查询为中心的摘要（QFS）模型的目的是从源文档生成摘要，可以回答给定的查询。大多数以前的工作QFS只考虑查询的相关性标准时，产生的摘要。然而，研究答案相关性在摘要生成过程中的作用也是重要的。在本文中，我们提出了QFS-BART，一个模型，该模型通过一个问答模型，结合了明确的答案相关的源文件的查询，生成连贯的和答案相关的摘要。此外，我们的模型可以利用大型预训练模型，显着提高摘要性能。在Debatepedia数据集上的实验结果表明，该模型达到了新的最先进的性能。
2021-05-31 cs.CL
AQuaMuSe: Automatically Generating Datasets for Query-Based Multi-Document Summarization
Google Research（谷歌研究院）
摘要是将源文档压缩成连贯和简洁的段落的任务。这是一个有价值的工具，可以向用户提供与其查询相关的排名靠前的文档的简洁而准确的草图。基于查询的多文档摘要（Query-based multi-document summarization，qMDS）解决了这一普遍需求，但由于缺乏训练和评估数据集，现有的单文档和多文档摘要数据集在形式和规模上都存在不足，研究受到严重限制。我们提出了一个可扩展的方法，称为ANOMMuSe自动挖掘qMDS的例子，从问答数据集和大型文档语料库。我们的方法是独特的，因为它可以一般的双数据集-提取和抽象的摘要。我们公开发布了一个特定的ANOMMuSe数据集实例，其中包含5，519个基于查询的摘要，每个摘要与从Common Crawl的3.55亿个文档索引中选择的平均6个输入文档相关联。提供了对数据集的广泛评估以及基线摘要模型实验。
2020-10-23 cs.CL
Query-Focused Opinion Summarization for User-Generated Content
Cornell University（康奈尔大学）；LinkedIn（领英）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
我们提出了一个基于子模块功能的框架，以查询为中心的意见摘要。在我们的框架内，相关排序产生的统计排名，信息覆盖率的主题分布和不同的观点都编码为子模块功能。色散函数用于最小化冗余。我们是第一个评估不同的文本相似性指标的子模块为基础的摘要方法。通过对社区QA和博客摘要的实验，我们表明我们的系统在自动评估和人工评估方面都优于最先进的方法。在Amazon Mechanical Turk上进行了规模化的人类评估任务，并表明我们的系统能够生成高质量和信息多样性的摘要。
2016-06-17 cs.CL
A Sentence Compression Based Framework to Query-Focused Multi-Document Summarization
Cornell University（康奈尔大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
我们考虑使用句子压缩技术，以方便查询为重点的多文档摘要的问题。我们提出了一个基于解析压缩的框架，并设计了一系列基于学习的压缩模型建立在解析树。提出了一种创新的束搜索解码器，以有效地找到高度可能的压缩。在这个框架下，我们展示了如何整合各种指示性指标，如语言动机和查询相关性到压缩过程中推导出一种新的配方的压缩评分函数。我们最好的模型实现了统计上的显着改善，在几个指标（如8.0%和5.4%的改进ROUGE-2分别）的DUC 2006年和2007年的总结任务的最先进的系统。
2016-06-24 cs.CL
A Mixed Hierarchical Attention based Encoder-Decoder Approach for Standard Table Summarization
IBM Research（IBM研究院）；IIT Madras（印度理工学院马德拉斯分校）
结构化数据摘要涉及从结构化输入数据生成自然语言摘要。在这项工作中，我们考虑总结以表格形式出现的结构化数据，因为它们在各种各样的领域中普遍存在。我们制定了标准的表汇总问题，它处理表符合一个单一的预定义的模式。为此，我们提出了一个混合的分层注意的编码器-解码器模型，它能够利用的结构，除了表的内容。我们在公开的WEATHERGOV数据集上的实验显示，与当前最先进的技术相比，BLEU提高了约18（约30%）。
2018-04-20 cs.AI cs.CL
Query-Focused Event Summarization: A Dataset and Benchmark
School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院）
针对现有查询聚焦摘要（QFS）数据集缺乏面向事件的摘要及方法在大规模语料库表现不佳的问题，提出查询聚焦事件摘要（QFES）任务，构建QFESum数据集，引入含RAT和SHC的两阶段框架，实验证明该框架有效。
2026-07-14 cs.CL
Query Focused Abstractive Summarization: Incorporating Query Relevance, Multi-Document Coverage, and Summary Length Constraints into seq2seq Models
Ben-Gurion University（本-古里安大学）；Dept. of Computer Science（计算机科学系）
查询集中摘要（QFS）主要使用提取方法来解决。然而，这种方法产生的文本具有低连贯性。我们研究如何将抽象方法应用于QFS，以克服这些限制。基于神经注意力的序列到序列模型的最新发展已经导致了抽象通用单文档摘要任务的最新成果。这样的模型在大量训练数据上以端到端的方法训练。我们从三个方面使抽象摘要适用于QFS：（a）由于没有训练数据，我们将查询相关性纳入到预先训练的抽象模型中;（b）由于现有的抽象模型是在单文档环境中训练的，我们设计了一种迭代方法来将抽象模型嵌入到QFS的多文档需求中;（c）我们调整的抽象模型经过训练，可以生成特定长度的文本（约100个单词），而我们的目标是生成不同大小的输出（约250个单词）;我们设计了一种方法，使生成的摘要的目标大小适应给定的大小比例。我们将我们的方法（QFS的相关性敏感注意力）与提取基线进行了比较，并将其与DUC QFS数据集上的抽象模型相结合的各种方法进行了比较，并证明了ROUGE性能的可靠改进。
2018-01-25 cs.CL
Few-shot Query-Focused Summarization with Prefix-Merging
The Hong Kong Polytechnic University（香港理工大学）；Xidian University（西安电子科技大学）；Soochow University（苏州大学）
面向查询的摘要被认为是文本摘要的一个重要扩展。它的目的是为给定的查询生成一个简洁的突出显示。与文本摘要不同，面向查询的摘要一直受到缺乏高质量大规模数据集的困扰。本文探讨了在面向查询的摘要中，能否将文本摘要和问答知识整合和迁移，以辅助少样本学习。在这里，我们提出了前缀合并，一个基于前缀的预训练策略，用于以查询为中心的摘要中的少样本学习。受前缀调整的启发，我们可以将文本摘要和问答中的任务知识整合到一个适当设计的前缀中，并将合并后的前缀应用于以查询为中心的摘要。只有少量的可训练参数，前缀合并优于以查询为中心的摘要的微调。我们进一步讨论了不同的前缀设计的影响，并提出了一个可视化的解释前缀合并的工作原理。
2022-11-29 cs.AI cs.CL
Generating Query-Focused Summarization Datasets from Query-Free Summarization Datasets
University of Lethbridge（利思布莱德大学）；Alberta, Canada（阿尔伯塔省，加拿大）
本文提出基于证据的模型，从无查询摘要数据集中生成查询，通过内在和外在评估验证了其在查询聚焦摘要任务中的有效性。
2026-05-06 cs.AI cs.CL
CQSumDP: A ChatGPT-Annotated Resource for Query-Focused Abstractive Summarization Based on Debatepedia
Dialpad Canada Inc.（Dialpad加拿大公司）；York University（约克大学）；Royal Bank of Canada（加拿大皇家银行）
本文提出利用ChatGPT重新生成查询以清理Debatepedia数据集，使其适用于查询聚焦抽象式摘要，实验证明新标注版本在查询相关性和摘要质量上优于原始数据集。
2023-03-31 cs.CL
Long Text and Multi-Table Summarization: Dataset and Method
The Hong Kong Polytechnic University（香港理工大学）
自动文档摘要的目的是生成一个简洁的摘要，涵盖输入文档的显着信息。在报告文档中，显著信息可以分散在文本和非文本内容中。然而，现有的文档摘要数据集和方法通常集中在文本和过滤掉非文本内容。缺少表格数据可能会限制生成的摘要的信息量，特别是当摘要需要在表格中涵盖关键指标的定量描述时。现有的数据集和方法无法满足在每个报告中汇总长文本和多个表格的要求。为了应对可用数据的稀缺性，我们提出了FINDSum，这是第一个用于长文本和多表摘要的大规模数据集。它建立在3,794家公司的21,125份年度报告基础上，有两个子集用于总结每家公司的经营业绩和流动性。为了总结每份报告中的长文本和数十个表格，我们提出了三种类型的摘要方法。此外，我们提出了一套评估指标，以评估数字信息的使用情况，在生产的摘要。数据集分析和实验结果表明，在汇总报告文档时，联合考虑输入文本和表格数据的重要性。
2023-02-08 cs.AI 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
Survey of Query-based Text Summarization
针对基于查询的文本摘要领域现有研究缺乏系统梳理的问题，本综述总结了该领域及相关通用文本摘要的代表性研究，并提出分类体系与相关分析。
2024-10-06 cs.CL cs.IR
Combining Deep Neural Reranking and Unsupervised Extraction for Multi-Query Focused Summarization
Technische Hochschule Nürnberg Georg Simon Ohm（纽伦堡乔治·西蒙·欧姆应用科学大学）
CrisisFACTS Track旨在应对事件跟踪领域的多流实况调查等挑战;参与者的系统从若干灾害相关事件中提取重要事实，同时纳入时间顺序。我们提出了一个组合的检索，重新排序，以及著名的线性规划（ILP）和最大边际相关性（MMR）框架。在前两个模块中，我们探索了各种方法，包括基于实体的基线，预训练和微调的问答系统和ColBERT。然后，我们使用后一个模块作为一个提取的总结组件，考虑多样性和新颖性标准。自动评分运行显示了整个评估设置的强大结果，但也揭示了缺点和挑战。
2023-02-02 cs.CL
Exploring Neural Models for Query-Focused Summarization
Salesforce Research（Salesforce研究院）
以查询为中心的摘要（QFS）旨在生成回答感兴趣的特定问题的摘要，从而实现更大的用户控制和个性化。虽然最近发布的数据集，如QMSum或AmmunMuSe，促进了QFS的研究工作，但该领域缺乏对适用建模方法的广泛空间的全面研究。在本文中，我们进行了系统的探索QFS的神经方法，考虑两个一般类的方法：两阶段提取抽象的解决方案和端到端的模型。在这些类别中，我们调查现有的模型，并探索迁移学习的策略。我们还提出了两个建模扩展，它们在QMSum数据集上实现了最先进的性能，当与迁移学习策略相结合时，最高可达3.38 ROUGE-1，3.72 ROUGE 2和3.28 ROUGE-L。人类评估的结果表明，与基线模型相比，最好的模型可以产生更全面和更符合事实的摘要。代码和检查点是公开的：https://github.com/salesforce/query-focused-sum。
2022-04-26 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
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
Bayesian Query-Focused Summarization
Information Sciences Institute（信息科学研究所）
我们提出了BayeSum（Bayesian summarization），这是一个在以查询为中心的摘要中进行句子提取的模型。BayeSum利用了多个文档与单个查询相关的常见情况。使用这些文档作为查询词的增强，BayeSum不会受到短查询中信息缺乏的影响。我们表明，近似推理BayeSum是可能的大数据集和结果在一个国家的最先进的摘要系统。此外，我们展示了如何BayeSum可以被理解为一个合理的查询扩展技术在语言建模的IR框架。
2009-07-10 cs.CL cs.IR cs.LG
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida（佛罗里达大学）
本文提出TTQA-RS模型，通过分解提示、检索增强生成和表格-文本摘要，结合推理与子问题答案，在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
A Novel Feature-based Bayesian Model for Query Focused Multi-document Summarization
监督学习方法和基于LDA的主题模型已经成功地应用于面向查询的多文档摘要领域。在本文中，我们提出了一种新的监督的方法，可以将丰富的句子特征到贝叶斯主题模型的原则性的方式，从而利用主题模型和基于特征的监督学习方法的优势。在TAC2008和TAC2009上的实验证明了该方法的有效性。
2013-12-27 cs.CL cs.IR
Query-controllable Video Summarization
University of Amsterdam（阿姆斯特丹大学）
当视频集合变得庞大时，如何有效地在视频内和视频间进行探索是一个挑战。视频摘要是解决这个问题的方法之一。传统的摘要方法限制了视频探索的有效性，因为它们仅为给定的输入视频生成一个固定的视频摘要，与用户的信息需求无关。在这项工作中，我们介绍了一种方法，该方法将基于文本的查询作为输入，并生成与之对应的视频摘要。我们通过将视频摘要建模为监督学习问题来实现这一点，并提出了一种基于端到端深度学习的查询可控视频摘要方法，以生成查询相关的视频摘要。我们提出的方法包括一个视频摘要控制器，视频摘要生成器，和视频摘要输出模块。为了促进查询可控的视频摘要的研究和进行我们的实验，我们引入了一个数据集，其中包含基于帧的相关性分数标签。实验结果表明，基于文本的查询有助于控制视频摘要。它还表明基于文本的查询提高了我们的模型的性能。我们的代码和数据集：https://github.com/Jhhuangkay/Query-controllable-Video-Summarization。
2020-04-07 cs.CL cs.CV cs.IR
D2S: Document-to-Slide Generation Via Query-Based Text Summarization
University of Michigan（密歇根大学）；IBM Research Europe（IBM欧洲研究院）；IBM Research（IBM研究院）
演示文稿对于我们生活中的各个领域的沟通至关重要，但幻灯片的制作往往是乏味和耗时的。旨在自动化文档到幻灯片生成过程的研究有限，并且都面临着一个关键挑战：没有公开的数据集用于培训和基准测试。在这项工作中，我们首先贡献了一个新的数据集，SciDuet，由近年来NLP和ML会议的成对论文及其相应的幻灯片组成（例如，ACL）。其次，我们提出了D2 S，一个新的系统，解决了文件到幻灯片的任务，有两个步骤的方法：1）使用幻灯片标题检索相关和从事文本，数字和表格; 2）总结检索到的上下文到要点与长形式的问答。我们的评估表明，长式QA在自动ROUGE指标和定性人工评估方面都优于最先进的汇总基线。
2021-05-08 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
AttSum: Joint Learning of Focusing and Summarization with Neural Attention
The Hong Kong Polytechnic University（香港理工大学）；Peking University（北京大学）；Microsoft Research（微软研究院）
查询相关性排序和句子显著性排序是抽取式查询文摘的两个主要任务。以前的监督摘要系统通常单独执行这两个任务。然而，由于参考摘要是相关性和显着性之间的权衡，使用它们作为监督，这两个排名都不能很好地训练。本文提出了一种新的摘要系统AttSum，它处理这两个任务联合。它自动学习句子和文档集群的分布式表示。同时，它应用注意力机制来模拟人类在给出查询时的注意阅读行为。在DUC查询为中心的摘要基准数据集上进行了广泛的实验。在不使用任何手工制作的功能的情况下，AttSum实现了具有竞争力的性能。它也被观察到，句子识别集中在查询确实满足查询的需要。
2016-09-27 cs.CL cs.IR
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
Text Summarization with Latent Queries
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
大规模数据集的可用性推动了神经模型的发展，这些模型可以从单个文档中创建摘要，用于通用目的。当使用摘要系统时，用户通常具有具有各种语言实现的特定意图，根据信息需求，其范围可以从单个关键字到由多个问题组成的长叙述。然而，现有的摘要系统，往往不能支持或行动鲁棒地对这个查询集中的摘要任务。我们介绍LaQSum，第一个统一的文本摘要系统，学习潜在的抽象摘要与任何现有的查询形式的文件。在深度生成框架下，我们的系统联合优化了潜在查询模型和条件语言模型，允许用户在测试时即插即用任何类型的查询。尽管只从通用摘要数据中学习，并且不需要进一步优化下游摘要任务，但我们的系统在具有不同查询类型、文档设置和目标域的摘要基准测试中的性能都强于强大的比较系统。
2021-05-31 cs.CL cs.LG
