LegalMALR:Multi-Agent Query Understanding and LLM-Based Reranking for Chinese Statute Retrieval
Faculty of Data Science（数据科学学院）；City University of Macau（澳门城市大学）；Shenzhen Key Laboratory for High Performance Data Mining（深圳高性能数据挖掘重点实验室）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究所）；Chinese Academy of Sciences（中国科学院）；Southern University of Science and Technology（南方科技大学）；Artificial Intelligence Research Institute（人工智能研究院）；Shenzhen University of Advanced Technology（深圳大学先进技术学院）
LegalMALR通过多代理查询理解和大语言模型重排序技术，提升中文法律条文检索的准确性和适用性。
2026-01-25 cs.CL cs.IR
DS@GT-ARC at eRisk 2026 Task 3: Sparse, Semantic, and LLM Reranking for ADHD Symptom Sentences
本文介绍佐治亚理工学院DS团队针对eRisk 2026任务3，采用分阶段检索结合稀疏BM25、语义及LLM重排序的方案，其中LLM重排序器取得官方最优成绩，分阶段重排序具发展前景。
2026-08-05 cs.CL
DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RAG系统重排器文档数量难确定、忽视LLM反馈信号的问题，提出DynamicRAG框架，将重排器建模为RL智能体，基于LLM输出质量奖励动态调整检索文档的顺序与数量，在七个数据集上同参数规模模型中达SOTA。
2025-05-16 cs.AI 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
Enhancing Transformer-Based Rerankers with Synthetic Data and LLM-Based Supervision
Faculty of Computer Science and Engineering（计算机科学与工程学院）；Machine Learning Department（机器学习系）
针对大语言模型重排序计算成本高、小模型微调依赖稀缺人工标注的问题，提出用LLM生成合成查询并标注正负对、以LCE损失对比学习微调小Transformer重排序器的方法，在MedQuAD上提升了域内性能与域外泛化性，降低了成本。
2025-09-23 cs.AI cs.CL
Large Language Models and Prompt Engineering for Biomedical Query Focused Multi-Document Summarisation
School of Computing（计算学院）；Macquarie University（麦考瑞大学）
该研究将提示工程与GPT-3.5用于生物医学查询聚焦多文档摘要，验证了少样本提示、检索增强生成的效果，在BioASQ 11b中取得ROUGE-F1前两名的成绩。
2023-11-09 cs.CL
Lychee-Reranker: Fast but Not Late Interaction for Compressed Document Reranking
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Shenzhen Loop Area Institute (SLAI)（深圳循环区域研究所）
提出KaLM-Reranker-V1，一种基于编码器-解码器架构的快速但非晚期交互重排序器，通过解耦查询和段落计算并利用交叉注意力保持相关性建模，在BEIR等基准上达到最先进性能。
2026-10-19 cs.CL
ThinkQE: Query Expansion via an Evolving Thinking Process
ThinkQE通过演进的思考过程和语料库交互策略，在测试时实现更全面的查询扩展，优于传统密集检索器和重排序器。
2026-03-09 cs.CL cs.IR
QFS-Composer: Query-focused summarization pipeline for less resourced languages
本文提出QFS-Composer框架，通过查询分解、问题生成、问题回答和抽象摘要提升摘要与用户意图的一致性，针对资源匮乏语言进行查询聚焦摘要研究。
2026-04-12 cs.CL
LMGQS: A Large-scale Dataset for Query-focused Summarization
Microsoft（微软）
本文提出利用预训练语言模型恢复通用摘要中的隐藏查询，构建了包含超百万样本的大规模QFS数据集LMGQS，并在多个基准上取得SOTA性能。
2023-05-22 cs.CL
E2Rank: Unifying Text Embedding and Listwise Reranking for Effective and Efficient Search
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
E2Rank是统一文本嵌入与列表式重排序的框架，通过将列表式提示视为伪相关反馈查询，在单一模型内实现高效检索与重排序，在BEIR等基准上性能优异且延迟更低。
2026-08-27 cs.AI cs.CL cs.IR
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
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
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
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
Query-Focused Retrieval Heads Improve Long-Context Reasoning and Re-ranking
Princeton Language and Intelligence, Princeton University（普林斯顿语言与智能研究所，普林斯顿大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出通过查询相关注意力识别 QRHead，并基于其累积注意力质量构建 QRRetriever，在长上下文多跳推理和 BEIR 零样本重排序中取得显著提升。
2025-09-28 cs.CL
Cross-Genre Authorship Attribution via LLM-Based Retrieve-and-Rerank
Information Sciences Institute（信息科学研究所）；University of Southern California（南加州大学）
针对跨体裁作者归属易受主题干扰的问题，提出基于 LLM 的两阶段检索与重排序框架及针对性数据整理策略，在 HRS1、HRS2 上显著超越此前最优方法。
2025-10-19 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
"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
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
Efficient Title Reranker for Fast and Improved Knowledge-Intense NLP
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出基于广播查询编码器的高效标题重排序器和Sigmoid Trick损失函数，在KILT基准四个数据集上以20-40倍加速取得最先进结果。
2024-02-25 cs.AI cs.CL cs.IR
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
Expand, Rerank, and Retrieve: Query Reranking for Open-Domain Question Answering
Massachusetts Institute of Technology（麻省理工学院）；Meta AI
本文提出 EAR 方法，通过查询扩展生成多样化查询并用重排序器选择更优查询，从而显著提升 BM25 在开放域问答中的检索准确率。
2023-05-26 cs.CL
ReFIT: Relevance Feedback from a Reranker during Inference
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Allen Institute for AI（艾伦人工智能研究所）；IBM Research AI（IBM人工智能研究院）；Yale University（耶鲁大学）；University of Washington（华盛顿大学）
提出ReFIT方法，在推理时利用重排序器的预测通过轻量级更新机制蒸馏到检索器查询表示中，执行第二次检索以提升Recall@K，实验证明该方法在多个领域、语言和模态中显著提高检索召回率。
2024-05-28 cs.CL cs.IR
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
ListConRanker: A Contrastive Text Reranker with Listwise Encoding
School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）；ByteDance China（字节跳动中国）；Zhejiang University（浙江大学）
针对传统文本重排序器逐点编码缺乏段落对比、交叉熵损失训练效率低的问题，提出采用列表式编码和圆损失训练的ListConRanker，在中文重排序基准上达到SOTA性能。
2025-01-13 cs.CL cs.IR
GRASP: Plan-Guided Graph Retrieval with Adaptive Fusion and Reranking on Semi-Structured Knowledge Bases
Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系）；Department of Computational Medicine and Bioinformatics, University of Michigan（密歇根大学计算医学与生物信息学系）
提出GRASP框架，通过计划引导图检索、条件融合和重排序三阶段，在半结构化知识库上实现最先进的检索性能。
2026-10-16 cs.CL cs.IR cs.LG
Finding the Right Balance: Relevance and Diversity in LLM Retrieval
Université du Québec à Trois-Rivières（魁北克大学三河城分校）
针对RAG检索多样化效果争议，提出基于候选池冗余度和查询证据需求的查询自适应多样化规则及RNG-Score重排序器，实现按需多样化以提升检索与答案质量。
2026-10-08 cs.CL cs.IR
InfluMatch: Frontier-Quality KOL Search at 4B-Model Cost
研究如何将关键意见领袖与泰国营销标准匹配，提出低成本三阶段级联InfluMatch，由小型开放权重模型构建，能以低得多的成本达到前沿模型效果，是可部署、可解释的KOL搜索系统。
2026-07-08 cs.AI cs.CL cs.IR
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
InstUPR : Instruction-based Unsupervised Passage Reranking with Large Language Models
National Taiwan University（台湾大学）
本文提出InstUPR，一种基于大语言模型指令遵循能力的无监督段落重排序方法，通过软分数聚合和成对重排序技术，无需额外微调即可在BEIR基准上超越无监督基线及指令微调重排序器。
2024-03-25 cs.CL cs.IR
Mixture-of-Experts Language Models Can Be Strong and Efficient Retrievers
New York University Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）
本文系统研究混合专家（MoE）语言模型作为检索器的性能，证明其以更少活跃参数和更低查询编码时间超越稠密检索器，并可通过减少专家数量进一步提速，成为高效的第一阶段检索器。
2026-09-15 cs.CL cs.IR
Optimizing RAG Rerankers with LLM Feedback via Reinforcement Learning
Nanjing University of Science and Technology（南京理工大学）；Nanjing University（南京大学）
本文提出RRPO框架，通过强化学习将重排序与LLM生成质量对齐，消除了对昂贵人工标注的依赖，实验显示其在知识密集型基准上优于基线模型。
2026-07-03 cs.AI cs.CL cs.IR
Bridging Relevance and Reasoning: Rationale Distillation in Retrieval-Augmented Generation
City University of Hong Kong（香港城市大学）；University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
RADIO通过推理提取和基于推理的对齐方法，弥合检索增强生成中重排器与生成器之间的相关性差距。
2025-12-08 cs.CL
Gumbel Reranking: Differentiable End-to-End Reranker Optimization
LUMIA Lab, Shanghai Jiao Tong University（上海交通大学LUMIA实验室）；Tiansuan Lab, Ant Group Co., Ltd.（蚂蚁集团天算实验室）；SJTU Paris Elite Institute of Technology（上海交通大学巴黎精英理工学院）
本文提出Gumbel Reranking端到端框架，将重排序建模为基于Gumbel Trick的随机Top-k注意力掩码学习，以缓解蒸馏方法的训练推理偏差。
2025-06-08 cs.CL cs.IR
Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking
Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室）
Qwen3-VL-Embedding和Qwen3-VL-Reranker通过统一框架实现多模态检索与排序的高精度性能。
2026-01-19 cs.CL
Enhancing Q&A Text Retrieval with Ranking Models: Benchmarking, fine-tuning and deploying Rerankers for RAG
NVIDIA（英伟达）
该研究针对RAG系统的问答文本检索场景，对多款公开排序模型做基准测试，提出NV-RerankQA-Mistral-4B-v3模型实现约14%准确率提升，还通过消融实验分析多因素影响并探讨工业应用权衡。
2024-09-12 cs.CL cs.IR cs.LG
Query-focused Sentence Compression in Linear Time
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
搜索应用程序通常显示缩短的句子，这些句子必须包含某些查询项，并且必须适合用户界面的空间约束。这项工作介绍了一种新的过渡为基础的句子压缩技术开发的这种设置。我们的查询为重点的方法构造长度和词汇约束压缩在线性时间，通过增长一个子图中的依赖分析的句子。这种理论上有效的方法实现了11倍的经验加速比基线ILP方法，同时更好地重建黄金约束缩短。这样的加速有助于以查询为中心的应用程序，因为用户会受到界面延迟的明显阻碍。此外，我们的技术不需要ILP求解器或GPU。
2019-09-17 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
Multi-Reranker: Maximizing performance of retrieval-augmented generation in the FinanceRAG challenge
Financial Security Institute（金融安全研究院）
本文针对ACM-ICAIF '24 FinanceRAG竞赛开发金融专用RAG系统，通过检索前消融研究、多重排序模型及长上下文管理方法提升性能，获挑战赛第2名，为金融领域LLM应用提供参考。
2024-11-23 cs.CL cs.IR
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
JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking
Salesforce AI Research（Salesforce AI研究院）
针对大语言模型在推理密集型检索重排序中缺乏细致分析的问题，提出模拟人类认知的三阶段智能体重排序器JudgeRank，在BRIGHT、BEIR基准上表现优异且具备良好的零样本泛化与多模型集成提升能力。
2024-10-31 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
Verbal-R3: Verbal Reranker as the Missing Bridge between Retrieval and Reasoning
Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电子与计算机工程系）；Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目）；AIIS, ASRI, INMC, and ISRC, Seoul National University（首尔国立大学人工智能研究所、人工智能研究室、智能网络研究中心和智能系统研究中心）；DGIST（延世大学）
本文提出Verbal-R3框架，通过语义注释增强LLM的推理能力，实现检索与推理的高效整合，提升问答任务性能。
2026-05-02 cs.AI cs.CL cs.IR
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
Query Focused Multi-document Summarisation of Biomedical Texts
Macquarie University（麦考瑞大学）；Australian National University（澳大利亚国立大学）
本文介绍了麦考瑞大学和澳大利亚国立大学参与2020年BioASQ挑战赛（BioASQ8b）的任务B阶段。我们的整体框架实现了查询集中的多文档提取摘要，通过应用分类或回归层的候选句子嵌入和问题和句子嵌入之间的比较。我们使用BERT和BioBERT、Siamese架构和强化学习对变体进行了实验。当使用BERT来获得词嵌入，然后使用LSTM层来获得句子嵌入时，我们观察到最佳结果。使用Siamese架构或BioBERT的变体没有改善结果。
2020-08-27 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
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
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
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
Query-Focused Scenario Construction
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
对事件的新闻报道往往包含对所发生事件的多种不相容的描述。我们开发了一个基于查询的系统，从这些数据中提取兼容的事件集（场景），制定为一类聚类。我们的系统会逐步评估每个事件与已选择事件的兼容性，并考虑顺序。我们使用由文章混合物组成的合成数据进行可扩展的训练，并在一个新的人工策划的关于现实世界新闻主题的场景数据集上评估我们的模型。更强的神经网络模型和更难的合成训练设置对于实现高性能都很重要，我们最终的场景构建系统的性能大大优于基于先前工作的基线。
2019-09-15 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
Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Arizona State University（亚利桑那州立大学）
提出SCOUT级联双轨检索框架，通过视觉轨与语义轨并行检索及跨模态查询优化，在4个基准上较6个基线实现最高80.7倍延迟降低，且NDCG最高提升7.8%。
2026-10-15 cs.CL
