text-summarization

TIAO是一种面向文本摘要的令牌重要性感知强化学习策略，它基于令牌依赖性重新加权轨迹，在真实世界数据集上实现了与GPT-4和GPT-5-nano相媲美的结果。

本文提出了一种使用超图支配的抽取式文本摘要的新方法，并将其性能与现有的基于图的方法进行了比较。

对BART、BERT和RoBERTa在文本摘要中的比较研究，探讨它们的架构以及在抽取式和生成式摘要任务中的适用性。

本文考察了文学摘要中一致性和线性的概念，分析了它们在叙事结构中的普遍性和影响。

本文定义并量化了RLHF训练的摘要模型中的情感漂移，提出了一个策略归因框架来识别原因，并引入了一种情感感知KL正则化方法来减少漂移。

本文引入了参考抽象度（RA）、摘要抽象度（SA）和抽象比率（AR）等度量指标，通过使用文档长度的调和均值与三次非重叠因子来量化文本摘要中的抽象性。在XSUM数据集上对四种模型进行的经验评估表明，这些度量能够有效区分抽取式摘要和生成式摘要，并能识别潜在的幻觉问题。

BrainFlow 是一款能够将杂乱思绪转化为条理分明笔记的工具。

提出MASF，一种多模型自适应选择框架，集成多个微调后的Transformer摘要模型并选取最高质量摘要，在CNN/DailyMail上达到88.63%的BERTScore，优于多个大型语言模型。

本文提出一种KAN增强的BiGRU架构，用于对孟加拉国的多语言法律文档进行分类和摘要生成，取得了适中的准确率和ROUGE分数，并证明KAN模块相比基线BiGRU提升了分类准确率。

本文提出了一种针对专业领域LLM文本摘要的参数高效词表适配方法，通过扩充预训练分词器中的领域专用词元并选择性替换训练不足的词元，将训练时间减少35-55%，参数数量减少高达37%。