1 基本概念
摘要生成是指利用计算机技术，从原始文本、文档集合或多模态信息中自动提炼关键信息，并以更短、更连贯的形式呈现出来的一类自然语言处理任务。其结果通常称为摘要，目标是在尽量压缩篇幅的同时保留原始内容的核心语义。
与简单截取内容不同，摘要生成强调信息筛选、重组与表达优化。根据系统设计的不同，摘要可以更接近原文中的关键句段，也可以由模型重新组织语言生成更符合阅读习惯的表述。
1.1 定义
摘要生成的定义通常包含两个层面：一是“压缩”，即减少文本长度；二是“保真”，即尽可能维持原文的主要事实、主题和逻辑关系。它既可以面向单篇文章，也可以面向多篇相关文档，甚至扩展到图像、音频等多模态信息的联合概括。
在自然语言处理语境中，摘要生成一般指自动摘要，相对于人工摘要具有更高的处理效率和更强的规模化能力。
1.2 核心目标
摘要生成的核心目标主要包括以下几项：其一，帮助用户快速了解文本主旨；其二，降低阅读与检索成本；其三，在有限长度内尽量覆盖关键信息；其四，保持语言通顺、结构清晰；其五，避免引入原文不存在的错误内容。
不同应用场景下，目标权重会有所变化。例如，新闻摘要更重视即时性和简洁性，学术摘要则更强调事实准确与研究结论的完整传达。
1.3 主要应用场景
摘要生成广泛用于信息密集型场景，尤其适合需要快速浏览、比较和筛选内容的任务。随着文档规模扩大和信息更新加速，这类技术的重要性持续提升。
1.3.1 新闻摘要
在新闻场景中，摘要用于将长篇报道压缩为导语、要闻提要或信息流卡片内容，便于用户在短时间内掌握事件核心。它常与标题优化、关键词提取和推荐系统联动使用。
1.3.2 学术摘要
学术摘要用于概括论文的研究背景、方法、结果与结论，是科研检索和文献筛选的重要入口。此类摘要通常要求结构清晰、术语准确，并尽量避免夸张或模糊表达。
1.3.3 搜索结果摘要
搜索引擎常根据用户查询生成页面摘要，以展示命中文档中与检索词相关的片段。此类摘要的重点不是完整概括，而是提供足够的上下文，帮助用户判断结果是否相关。
1.3.4 办公与知识管理
在办公软件、文档管理系统和知识库中，摘要生成可用于会议纪要整理、长文档速览、邮件归纳与知识条目压缩。它有助于提升团队协作效率，也便于后续检索和归档。
2 发展历程
摘要生成技术的发展大致经历了从规则驱动到统计方法，再到机器学习、深度学习和大语言模型的演进过程。每一阶段都在表达能力、可扩展性和生成质量方面有所提升。
2.1 早期规则与统计方法
早期摘要系统主要依赖人工制定规则，例如根据句首句尾位置、词频分布、标题相关性等因素筛选句子。统计方法随后引入了词频、位置特征、主题词和句子相似度等指标，用于排序和抽取重要内容。
这一时期的方法实现简单、速度较快，但对语义理解能力有限，生成结果往往较为机械，难以处理复杂结构或跨句信息。
2.2 机器学习方法的引入
随着监督学习的发展，摘要任务开始使用特征工程和分类模型对句子重要性进行判断。常见做法是将句子表示为若干人工特征，再通过判别模型学习选择策略。
这一阶段改善了规则方法的灵活性，也使系统能够结合更多上下文特征，但仍然依赖人工设计特征，且泛化能力有限。
2.3 深度学习阶段
深度学习推动摘要生成进入端到端建模阶段。神经网络能够自动学习文本表示、句子关系和生成模式，显著提升了语义建模能力。序列到序列模型、注意力机制以及指针生成结构相继出现，使生成式摘要的质量大幅提高。
与此同时，训练数据规模、计算资源和模型稳定性也成为重要因素，摘要系统开始更依赖高质量语料与大规模预训练。
2.4 大语言模型阶段
大语言模型阶段的摘要生成能力进一步增强，模型不仅能够概括长文本，还能根据提示词调整风格、长度和侧重点。相比早期模型，这一阶段的系统更擅长理解复杂语境和跨段落关系。
不过，大模型在摘要任务中也带来了新的问题，例如幻觉、事实偏差以及输出风格不稳定等，因此通常需要结合检索、约束解码或后处理机制来提高可靠性。
3 方法分类
摘要生成方法通常按输出形式和生成机制分类，主要包括抽取式摘要、生成式摘要和混合式摘要三类。它们在信息保留方式、表达自由度和技术实现上各有特点。
3.1 抽取式摘要
抽取式摘要从原文中选择若干句子、段落或关键片段进行拼接，不改变或少量改变原始表达。其优点是事实一致性较强，缺点是连贯性和概括能力有限。
3.1.1 句子抽取
句子抽取是最常见的抽取式方法，通过排序模型或规则筛出最重要的句子组成摘要。该方法实现简单，常适用于新闻和报告类文本，但容易出现句子衔接生硬的问题。
3.1.2 段落抽取
段落抽取面向结构较清晰的长文档，通过选取关键段落来形成概览。它适合需要保留上下文的材料，如技术文档、研究报告和长篇说明文。
3.1.3 关键词驱动抽取
关键词驱动抽取通过识别高权重词汇、主题词或实体，定位与主题密切相关的句子。此类方法常与句子排序结合，用于提升摘要的覆盖度和针对性。
3.2 生成式摘要
生成式摘要通过模型重新组织原文信息，输出更自然、更紧凑的文本。它可以在保持语义的前提下进行改写、压缩和重述，因此在表达流畅性方面通常优于抽取式方法。
3.2.1 序列到序列模型
序列到序列模型将输入文本映射为输出摘要序列，早期常结合循环神经网络和注意力机制使用。该方法能够学习输入与输出之间的对齐关系，是生成式摘要的重要基础。
3.2.2 指针生成机制
指针生成机制允许模型在“复制原文词语”和“生成新词语”之间切换，兼顾事实保留与语言生成能力。它特别适合包含专有名词、数字和术语的摘要任务。
3.2.3 基于预训练模型的方法
基于预训练模型的方法利用大规模语料预训练获得的语言知识，再针对摘要任务微调。此类模型通常在语义理解、上下文建模和表达自然度方面表现较好，已成为当前主流方向之一。
3.3 混合式摘要
混合式摘要结合抽取与生成两种方式，通常先筛选关键内容，再由生成模型进行压缩和润色。该方法有助于平衡准确性与可读性，也便于在长文本处理时控制信息范围。
4 关键技术
摘要生成涉及文本理解、内容筛选、语言生成与结果校验等多个环节。不同系统的性能差异，很大程度上取决于这些关键技术的协同效果。
4.1 文本表示
文本表示是摘要系统理解输入内容的基础，决定了模型能否捕捉词语、句子和篇章层面的语义关系。
4.1.1 词向量与句向量
词向量将词语映射到连续空间，便于模型识别语义相近的表达。句向量则进一步概括整句含义，常用于句子排序、相似度计算和主题识别。
4.1.2 上下文编码
上下文编码用于表示词语在具体语境中的含义，能够区分同词异义现象，并帮助模型理解跨句依赖关系。现代摘要模型通常依赖上下文编码来提升整体语义建模能力。
4.2 内容选择
内容选择决定摘要应该包含哪些信息，是影响摘要质量的核心步骤之一。该过程需要兼顾重要性、覆盖度和冗余控制。
4.2.1 重要性评分
重要性评分用于评估句子、段落或事实单元的优先级，常结合位置、频率、实体密度和语义相关性等因素。评分结果通常用于抽取排序或作为生成模型的注意力引导。
4.2.2 主题覆盖建模
主题覆盖建模关注摘要是否覆盖了原文的主要话题和关键点。它可以减少摘要只聚焦局部信息的风险，使结果更具概括性和代表性。
4.3 语言生成
语言生成阶段负责把选定信息组织成可读文本，既要保证信息完整，也要维持表达自然。
4.3.1 解码策略
解码策略决定模型如何从概率分布中选择输出词语，常见方式包括贪心搜索、束搜索和采样策略。不同策略在多样性、稳定性和速度之间存在权衡。
4.3.2 长度控制
长度控制用于限制摘要篇幅，使输出符合应用要求。系统可以通过目标长度、长度惩罚或显式控制标记来调节摘要的详细程度。
4.3.3 语法与流畅性优化
语法与流畅性优化关注句法正确性、衔接自然度和表达简洁性。对于生成式摘要而言，这一环节对提升可读性尤为重要。
4.4 事实一致性
事实一致性是摘要生成中最受关注的问题之一，要求输出与原文内容相符，不发生关键信息偏移。
4.4.1 关键信息保真
关键信息保真强调摘要中的时间、人物、地点、数量和结论等核心事实应与原文一致。它是摘要可用性的基础，也是很多专业场景的硬性要求。
4.4.2 幻觉问题抑制
幻觉问题指模型生成了原文未提及或无法支持的内容。抑制该问题通常需要结合检索约束、复制机制、事实校验或后编辑步骤，以降低错误生成的概率。
5 数据集与语料
摘要生成研究高度依赖数据集与语料质量。不同类型的数据会影响模型学习到的摘要风格、长度分布和语言特征。
5.1 单文档摘要数据集
单文档摘要数据集通常由一篇原文与其对应摘要构成，常用于训练和评估基础摘要模型。此类数据便于标准化比较，也适合研究单篇文章的压缩能力。
5.2 多文档摘要数据集
多文档摘要数据集包含多篇围绕同一主题的文档及其综合摘要，要求模型整合分散信息并去除重复内容。它更接近现实中的信息汇总需求，但任务难度也更高。
5.3 领域特定语料
领域特定语料来自医学、法律、金融、科研等专业场景，通常包含专门术语和固定表达。针对这类语料训练的模型往往更适合特定行业应用，但迁移到通用文本时未必同样有效。
5.4 标注与数据质量
摘要数据的标注质量直接影响模型效果。高质量语料通常要求摘要准确、简洁、覆盖关键点，并在格式上保持一致；而噪声数据、对齐错误或风格不统一都会削弱训练效果。
6 评估方法
摘要评估既关注文本相似度，也关注信息质量与可读性。由于摘要具有较强的主观性，单一指标往往难以全面反映模型性能。
6.1 自动评估指标
自动指标可快速衡量模型输出与参考摘要之间的接近程度，适合大规模实验比较，但对语义正确性和表达自然度的刻画有限。
6.1.1 ROUGE
ROUGE主要基于召回率，比较生成摘要与参考摘要在n-gram、词序列或最长公共子序列上的重叠情况。它长期以来是摘要任务中最常用的评价指标。
6.1.2 BLEU
BLEU最初用于机器翻译，也可用于摘要评估，侧重精确率导向的词匹配。由于摘要任务更强调覆盖与概括，因此BLEU在该领域的解释力通常不如ROUGE。
6.1.3 BERTScore
BERTScore通过上下文语义表示衡量生成文本与参考文本的相似度，比纯词面匹配更能反映语义接近程度。它常用于补充传统指标的不足。
6.2 人工评估
人工评估能够直接判断摘要是否准确、完整和易读，尤其适合检验自动指标难以捕捉的问题。常见做法包括打分、排序和成对比较。
6.2.1 一致性
一致性评估关注摘要是否忠实于原文，是否存在事实偏差、遗漏或无根据推断。这通常是人工评价中最重要的维度之一。
6.2.2 覆盖度
覆盖度衡量摘要是否包含原文的主要信息点，尤其看是否概括了核心主题、关键事件和主要结论。覆盖不足会降低摘要的实用价值。
6.2.3 可读性
可读性关注摘要的语言是否自然、结构是否清晰、衔接是否顺畅。即使信息正确，如果表达晦涩，用户体验也会受到影响。
6.3 面向任务的评估
面向任务的评估不只看摘要本身，还考察其对下游任务的帮助程度。例如，摘要是否能提升检索效率、减少阅读时间或改善决策质量。此类评估更贴近真实应用环境。
7 应用场景
摘要生成已经成为信息处理系统中的基础能力之一，在多个行业和产品形态中都有实际用途。
7.1 新闻与媒体
在新闻与媒体行业，摘要用于生成消息提要、专题简介和内容推荐卡片。它有助于增强信息分发效率，也便于用户在海量资讯中快速筛选感兴趣内容。
7.2 学术与科研
科研领域常用摘要生成辅助文献速览、论文检索和研究综述整理。对于研究人员而言，自动摘要能够显著缩短筛选资料和理解文献的时间。
7.3 企业知识管理
企业内部常将摘要用于会议记录整理、项目文档归纳、知识库压缩和工单概览。它能减少重复阅读，提高跨部门信息流转效率。
7.4 智能问答与助手
在智能问答和助手系统中，摘要可用于整合多来源信息，生成简洁回答或任务概述。它常作为对话系统的一部分，与检索和推理模块配合使用。
7.5 移动端与信息流
在移动端场景中，屏幕空间有限，摘要能将长文转化为适合快速浏览的短文本。它在信息流、阅读器和通知系统中尤为常见。
8 挑战与局限
尽管摘要生成技术进展显著，但在实际应用中仍面临多方面限制，尤其是在长文本、准确性和可控性方面。
8.1 长文本处理
长文本往往包含更复杂的结构和更分散的信息，模型需要处理更长的上下文依赖。若缺乏有效的层次建模或检索机制，容易出现重点遗漏或重复压缩。
8.2 事实错误与幻觉
生成式摘要可能产生与原文不一致的内容，尤其在处理数字、实体和因果关系时更易出错。这类问题会直接影响摘要可信度，在专业场景中尤为敏感。
8.3 领域迁移困难
摘要模型在通用语料上训练后，迁移到专业领域时常会遇到术语理解不足、表达风格不匹配等问题。领域适配往往需要额外标注数据或专门微调。
8.4 可解释性不足
神经网络和大模型生成摘要时，内部决策过程往往不够透明，难以清楚解释为何选择某些内容而忽略其他内容。这限制了其在高要求场景中的审查与调试。
8.5 评估与人类偏好不一致
自动指标与人类判断之间并不总是一致。某些摘要可能在词面重合上得分较高，但实际阅读体验一般；也有些摘要更符合人类需求，却未必能获得高自动分数。
9 相关技术与扩展
摘要生成与多种信息处理技术关系密切，常常共同构成更完整的文本理解与生成系统。
9.1 文本压缩
文本压缩关注在尽量保留信息的前提下减少篇幅，与摘要生成目标相近，但更强调形式上的精简。两者在技术上常有重叠。
9.2 问答与信息检索
问答系统和信息检索系统可为摘要生成提供相关内容定位能力，也可利用摘要结果提升检索效率。三者结合后，能够形成“查找—概括—回答”的完整链路。
9.3 文本改写
文本改写与摘要生成都涉及重述原意，但改写通常不以缩短长度为主要目标。摘要生成可以看作更强调压缩约束的一种改写任务。
9.4 结构化信息生成
结构化信息生成指把文本整理为要点、表格、字段或卡片等形式。它与摘要生成类似，都是将非结构化内容转化为更便于理解和利用的信息表达。
10 未来发展
摘要生成未来的发展方向，集中在更强的可控性、更广的信息模态支持以及更贴近个体需求的个性化输出。
10.1 可控摘要生成
可控摘要生成允许用户明确指定长度、风格、重点和受众，使摘要结果更符合实际需求。未来系统可能进一步支持按主题、时间线或角色视角进行定向概括。
10.2 多模态摘要
多模态摘要将文本、图像、音频或视频信息联合处理，用于生成更全面的内容概览。它在会议记录、媒体报道和内容管理中具有较大潜力。
10.3 低资源与跨语言摘要
低资源与跨语言摘要关注在标注稀缺或语言转换条件下仍能保持较好效果。相关研究通常依赖迁移学习、提示学习和多语种预训练模型。
10.4 面向个性化需求的摘要生成
个性化摘要根据用户的兴趣、背景知识和使用习惯调整输出内容。随着用户画像和交互系统的发展，摘要生成可能从“统一模板”走向“按需定制”。