1 基本概念
1.1 定义
自动摘要是指利用计算机从单篇或多篇文本中自动提炼出简明内容的技术。其目标不是简单删减字数，而是在压缩篇幅的同时尽可能保留原文的核心观点、主要事实、逻辑脉络与关键信息。根据实现路径不同，摘要可以直接从原文中挑选片段，也可以重新组织语言生成新句子。
1.2 研究目标
自动摘要研究通常关注三个核心目标：一是信息保真，确保摘要与原文内容一致；二是信息浓缩，使摘要长度显著短于原文；三是表达可读，让输出文本具备自然流畅的语言形式。在实际应用中，这三个目标往往需要平衡，因为过度压缩可能导致信息遗漏，而过度追求流畅又可能引入内容偏差。
1.3 发展背景
自动摘要的出现与信息爆炸时代的文本处理需求密切相关。随着网络文档、新闻稿件、学术论文和企业文书数量快速增长，人工阅读全部内容的成本不断提高，自动摘要逐渐成为辅助检索、筛选和理解信息的重要工具。
1.3.1 传统信息检索需求
在早期的信息检索场景中，用户需要从大量文档里快速判断相关性。摘要能够帮助读者在不通读全文的情况下了解主题与重点，从而提高查找和筛选效率。这种需求推动了摘要技术与检索系统的结合。
1.3.2 自然语言处理技术演进
自然语言处理的发展为自动摘要提供了方法基础。早期系统主要依赖词频、句法和统计特征；随后，机器学习方法引入了分类与排序思想；再后来，深度学习和大语言模型显著提升了摘要的语义组织能力和语言自然度。
1.3.3 大规模文本处理场景
在新闻聚合、学术数据库、办公自动化和智能助手等场景中，文本规模大、更新频率高、阅读时效要求强，人工摘要难以满足需求。自动摘要因此成为处理海量文本的重要能力之一，并逐步从辅助功能发展为核心组件。
2 类型划分
2.1 抽取式摘要
抽取式摘要通过从原文中选择若干句子、段落或片段组成摘要，保留原始表述，不重新生成内容。其优点是事实风险较低，信息来源清晰；不足在于输出有时显得生硬，句与句之间的衔接也可能不够自然。
2.1.1 句子抽取
句子抽取是最常见的抽取式方法之一，系统会根据句子的重要性挑选若干关键句作为摘要。该方式适合新闻和说明性文本，但若原文句子结构复杂，抽取结果可能出现上下文缺失的问题。
2.1.2 段落抽取
段落抽取通常用于结构较强的文档，例如报告或长篇说明材料。系统从篇章中选出代表性段落，以较少的处理成本保留较完整的信息块。相比句子抽取，它更适合需要维持局部上下文的场景。
2.1.3 基于特征评分的方法
这类方法会为候选文本计算分数，常见特征包括词频、位置、标题关联度、句长、实体数量等。通过综合评分筛选内容，能够在一定程度上兼顾信息密度与覆盖范围，是早期摘要系统中的常见策略。
2.2 生成式摘要
生成式摘要不局限于原文片段，而是依据输入内容重新组织语句，输出更凝练、连贯的摘要。此类方法更接近人工概括，语言表现力较强，但也更容易出现事实偏差或“编写式”内容。
2.2.1 序列到序列模型
序列到序列模型将输入文本编码为内部表示，再由解码器生成摘要文本。这一结构使模型能够学习从长文本到短文本的映射关系，推动了自动摘要从规则系统向端到端学习系统的转变。
2.2.2 基于注意力机制的方法
注意力机制允许模型在生成每个词时关注输入文本中更相关的部分，从而缓解长文本信息丢失问题。它提高了摘要与原文之间的对齐能力，也增强了模型处理复杂内容时的灵活性。
2.2.3 基于大语言模型的方法
大语言模型具备较强的语言理解与生成能力，能够在提示词引导下完成摘要任务。它们通常不只进行压缩，还能根据指令调整风格、长度和重点，使摘要更贴近具体使用场景。不过，这类方法对事实一致性和可控性的要求也更高。
2.3 混合式摘要
混合式摘要结合抽取与生成的优势，先筛选重要内容，再进行语言重写或结构整理，以提升信息可靠性和表达自然度。该思路在需要兼顾准确性与可读性的任务中较为常见。
2.3.1 抽取与生成结合
系统可以先抽出关键句，再对这些句子进行压缩、融合或改写，形成更连贯的摘要。这种方式既保留了原文依据，也减少了直接生成带来的偏差。
2.3.2 规则与模型融合
一些系统会将领域规则、模板约束与统计或神经模型结合使用。规则用于保证格式和关键事实，模型负责语言组织，从而在稳定性和灵活性之间取得折中。
2.4 其他分类方式
除了按技术路线划分，自动摘要还可根据输入范围和语言关系进行分类，不同任务在难度和评价方式上各不相同。
2.4.1 单文档摘要
单文档摘要只针对一篇文本进行概括，任务边界较清晰，常用于新闻、文章和报告。由于内容来源单一，信息冲突较少，算法设计也更容易控制。
2.4.2 多文档摘要
多文档摘要需要整合多篇主题相关文本，既要去除重复信息，又要解决不同来源之间的表述差异。该任务适用于新闻聚合、会议资料汇总和专题研究整理。
2.4.3 跨语言摘要
跨语言摘要涉及从一种语言的文本生成另一种语言中的摘要，或在多语种文本间进行概括。它不仅要求理解内容，还要求处理语言对应关系，因此通常比单语摘要更复杂。
3 核心流程
3.1 文本预处理
自动摘要通常先对输入文本进行基础处理，以降低噪声并提高后续建模的稳定性。预处理质量往往会直接影响摘要结果。
3.1.1 分词与分句
系统需要先识别词语边界和句子边界，便于后续计算句子重要性、段落结构和上下文关系。不同语言的分词规则不同，因此这一步在多语种环境中尤为重要。
3.1.2 去噪与标准化
预处理还包括去除无关符号、统一大小写、规范数字格式和处理重复内容等。这样可以减少格式差异对模型判断的干扰，使输入更整洁。
3.1.3 关键词识别
关键词识别用于初步锁定文本主题和重要概念。它能帮助系统判断哪些词汇或短语在摘要中应当优先保留，从而提升信息密度。
3.2 内容建模
内容建模阶段的主要任务是理解文本结构、衡量信息价值，并判断哪些部分应被纳入摘要。
3.2.1 主题识别
主题识别旨在发现文本围绕的核心话题，帮助系统区分主线信息与辅助细节。对长文本而言，这一步有助于形成整体概念框架。
3.2.2 重要性评估
重要性评估会为不同句子、段落或信息单元分配权重，通常综合考虑位置、频率、语义关联和任务目标。高分内容更可能进入最终摘要。
3.2.3 冗余检测
在多文档或长篇文本中，相似信息常会反复出现。冗余检测用于识别重复表述并避免摘要内容过度堆叠，使输出更紧凑。
3.3 摘要生成
摘要生成是将建模结果转化为最终文本的阶段，既涉及内容筛选，也涉及语言组织与篇幅控制。
3.3.1 内容选择
系统会根据重要性与覆盖需求挑选应保留的信息点，并决定它们的呈现顺序。内容选择不当会导致摘要偏题、缺漏或重复。
3.3.2 语言组织
当采用生成式或混合式方法时，模型需要将分散的信息重新编排成通顺的句子或段落，使摘要具备较好的连贯性和可读性。
3.3.3 长度控制
长度控制决定摘要的压缩比例，常通过固定字数、句数或信息量阈值实现。不同场景对篇幅要求不同，因此长度约束往往是可配置参数。
3.4 后处理
摘要生成后，还需进行格式和表达层面的修正，以提高最终输出的可用性。
3.4.1 语法修正
系统可能会检查语法错误、词序异常和搭配不当等问题，必要时进行自动修订，使摘要更符合自然语言表达习惯。
3.4.2 格式优化
格式优化包括调整标点、分段、编号和展示样式等内容，便于在界面、文档或检索结果中直接使用。
3.4.3 一致性检查
一致性检查主要核对摘要是否与原文关键事实相符，尤其关注时间、地点、数量、人物和因果关系等容易出错的元素。
4 常用技术方法
4.1 传统统计方法
传统统计方法主要依赖文本表层特征，规则清晰、实现简单，适合早期系统或资源有限的环境。
4.1.1 词频统计
词频统计基于高频词往往承载主题信息的假设，通过统计词语出现次数判断句子或段落的重要性。这类方法简单直观，但容易受停用词、重复表达和篇章结构影响。
4.1.2 图排序算法
图排序算法会把句子视作图中的节点，通过相似度建立连接，再计算节点重要性。此类方法能够综合考虑句间关系，在抽取式摘要中应用广泛。
4.1.3 主题模型
主题模型通过识别文档中的潜在主题分布，帮助系统找到与中心话题最相关的内容。它适合从较长文本中提炼结构性信息。
4.2 机器学习方法
机器学习方法借助人工标注数据学习摘要选择规则，通常比纯统计方法更灵活，也更能适应复杂文本。
4.2.1 分类模型
分类模型把句子或片段是否应进入摘要视为分类任务，输入包括位置、长度、关键词覆盖等特征。模型输出可作为抽取依据。
4.2.2 排序学习
排序学习关注多个候选内容之间的优先级判断，目标是把更重要的信息排在前面。相比二分类，它更适合处理“多个句子都重要，但重要程度不同”的情况。
4.2.3 特征工程
在早期机器学习摘要系统中，特征工程占据重要地位。开发者需要手工设计大量文本特征，如句长、标题匹配度、词位置信息和语义相似度，以提升模型表现。
4.3 深度学习方法
深度学习方法通过神经网络自动学习表示与生成规则，减少了对人工特征的依赖，并显著提升了生成能力。
4.3.1 编码器-解码器结构
编码器-解码器结构先将输入文本编码，再按目标长度逐步生成摘要。它是现代生成式摘要的重要基础框架。
4.3.2 指针机制
指针机制允许模型在生成时直接复制原文中的词语，特别适合处理专有名词、数字和罕见词，有助于提高事实准确率。
4.3.3 覆盖机制
覆盖机制用于记录模型已经关注过的内容，减少重复生成现象。它在长文本摘要中尤其有价值，因为长文本更容易出现信息反复输出的问题。
4.4 基于大模型的方法
大模型方法利用预训练语言模型的语义理解和生成能力，通过提示、检索和多轮交互实现更灵活的摘要输出。
4.4.1 提示词驱动摘要
提示词驱动摘要通过明确指令设定摘要目标，例如控制长度、风格、重点或受众。模型会依据提示生成相应摘要，适合快速定制不同版本。
4.4.2 检索增强摘要
检索增强摘要会先从外部知识库、相关文档或原始材料中检索辅助信息，再据此生成摘要。该方法有助于补充上下文并提升内容覆盖。
4.4.3 多轮迭代摘要
多轮迭代摘要不是一次性完成，而是通过多次生成、校正与压缩逐步优化结果。它更适合复杂文档，但计算成本通常也更高。
5 评价与指标
5.1 自动评价指标
自动评价指标通过程序化方式衡量摘要与参考答案的相似程度，便于大规模实验比较，但并不能完全替代人工判断。
5.1.1 ROUGE
ROUGE主要衡量生成摘要与参考摘要在词或片段层面的重合程度，是自动摘要领域最常用的评价指标之一。它在抽取式任务中通常较有代表性。
5.1.2 BLEU
BLEU原本多用于机器翻译，也可用于摘要评价，侧重候选文本与参考文本的词序和重合度。由于摘要存在表达多样性，其适用性常受一定限制。
5.1.3 METEOR
METEOR在词语匹配之外还考虑词形变化和同义关系，评价结果通常比简单重合指标更灵活，但仍难全面反映摘要质量。
5.2 人工评价维度
人工评价更关注摘要是否真正满足阅读需求，通常从内容、语言和篇幅等方面综合判断。
5.2.1 准确性
准确性强调摘要是否忠实反映原文事实，有无错误、夸大或遗漏关键结论。
5.2.2 流畅性
流畅性关注语句是否自然通顺、衔接是否合理、表达是否符合目标语言习惯。
5.2.3 覆盖率
覆盖率衡量摘要是否涵盖了原文最重要的信息点，避免只抓住局部细节而忽略主旨。
5.2.4 简洁性
简洁性指摘要是否在尽量少的篇幅内传达足够多的信息，避免冗长和重复。
5.3 评价难点
自动摘要评价之所以复杂，是因为摘要质量不仅取决于文字相似度，还涉及语义理解、事实核对和人类偏好。
5.3.1 参考摘要不唯一
同一篇文本可以有多个同样合理的摘要版本，因此单一参考答案往往不足以全面衡量系统效果。
5.3.2 语义等价问题
两段摘要可能用不同措辞表达相同意思，而简单的词面比较未必能识别这种语义等价关系。
5.3.3 事实一致性问题
即使摘要读起来流畅，也可能包含与原文不一致的事实。如何自动检测这类偏差，仍是摘要评价中的重点难题。
6 应用场景
6.1 新闻与媒体
新闻行业对时效性要求很高，自动摘要可帮助用户快速浏览大量信息，并提高内容分发效率。
6.1.1 新闻速览
新闻速览会将一篇报道压缩为几条要点，便于读者迅速了解事件概况与核心结论。
6.1.2 热点聚合
在多个来源报道同一事件时，自动摘要可整合重复内容并提炼共性信息，形成更紧凑的事件概览。
6.1.3 标题生成
标题生成与摘要技术关系密切，系统需要从全文中提炼最具代表性的内容，并用简短表达概括主题。
6.2 学术与出版
学术写作和出版流程中，摘要具有高度标准化需求，自动摘要可作为辅助工具提升阅读与管理效率。
6.2.1 文献摘要
系统可对论文、报告或书籍章节生成概述，帮助研究者快速判断文献是否相关。
6.2.2 论文助手
论文助手类工具常结合摘要功能，为作者或读者提供内容提要、结构概览和重点提示。
6.2.3 研究综述辅助
在撰写综述时，自动摘要可以帮助整合多篇文献的核心观点，减少人工整理负担。
6.3 企业办公
在办公环境中，自动摘要有助于提升沟通和文档处理效率，减少信息过载带来的成本。
6.3.1 会议纪要
系统可从会议记录中提取议题、结论、待办事项和责任分配，形成简明纪要。
6.3.2 邮件摘要
邮件摘要用于浓缩长邮件链中的核心信息，方便用户快速了解来龙去脉与当前诉求。
6.3.3 文档压缩
对于内部报告、制度说明和项目材料，摘要功能能够帮助阅读者先掌握主要内容，再决定是否深入查看原文。
6.4 搜索与推荐
搜索和推荐系统常把摘要作为辅助展示内容，以提升结果的可理解性和点击效率。
6.4.1 结果摘要
搜索结果摘要用于展示命中文本的相关片段，让用户迅速判断页面是否符合需求。
6.4.2 内容预览
内容预览可在列表页或检索页中提供短摘要，帮助用户在打开全文前先做初筛。
6.4.3 个性化摘要
个性化摘要会根据用户兴趣、历史行为或使用场景调整摘要重点，使展示内容更贴合个体需求。
7 典型问题与挑战
7.1 信息遗漏
摘要必须在压缩长度的同时保留关键内容，因此信息遗漏是最常见的问题之一。
7.1.1 关键事实缺失
若系统未能识别最重要的实体、事件或结论，摘要就会出现理解偏差，影响实用性。
7.1.2 长文压缩损失
文本越长，信息结构越复杂，压缩时越容易丢失背景、条件和细节，导致摘要过于概括。
7.2 事实错误
生成式系统尤其容易在信息不完整时产生事实偏差，这也是摘要技术长期关注的难点。
7.2.1 幻觉生成
幻觉生成指模型输出了原文中不存在或无法支持的内容。这类问题会削弱摘要可信度。
7.2.2 实体误写
人物、地点、机构名称或数值一旦写错，摘要即使整体通顺，也可能造成明显错误。
7.2.3 关系误判
系统有时会把因果、隶属、先后顺序等关系理解错误，进而扭曲原文含义。
7.3 可读性问题
摘要不仅要“对”，还要“好读”。如果文本结构混乱，即使信息正确，也不易被用户接受。
7.3.1 语句不连贯
部分摘要在句子之间缺少过渡，读起来像是若干片段拼接而成，影响整体连贯性。
7.3.2 指代混乱
当摘要中出现“他”“这项”“该事件”等指代词时，如果上下文不足，读者容易无法判断其所指对象。
7.3.3 风格不一致
摘要若在不同句子间切换过多语体、语气或格式，会降低专业感与统一性。
7.4 鲁棒性问题
摘要系统需要面对不同来源、不同风格和不同噪声水平的文本，因此稳定性十分关键。
7.4.1 领域迁移困难
在新闻、医学、法律或技术文档之间，语言特征差异很大，模型在跨领域使用时常出现性能下降。
7.4.2 噪声文本影响
错别字、口语化表达、重复段落和无关内容都会干扰摘要判断，使输出质量波动。
7.4.3 长文本处理限制
长文本对模型记忆和计算资源要求较高，如何在保持全局理解的同时处理大规模上下文，仍是技术难点。
8 相关技术与扩展
8.1 信息抽取
信息抽取与摘要技术关系紧密，常作为前置步骤或辅助模块使用。
8.1.1 关键词抽取
关键词抽取用于识别文档中的核心词汇，帮助系统把握主题并筛选重要内容。
8.1.2 实体识别
实体识别可找出人名、地名、机构名和时间表达，为摘要中的事实保留提供支持。
8.1.3 事件抽取
事件抽取关注“谁在何时何地做了什么”，有助于将长文本压缩为结构化要点。
8.2 文本生成
摘要技术与通用文本生成方法在模型结构和训练目标上有许多相通之处。
8.2.1 改写
改写技术可在保持原意的前提下调整表达方式，常用于摘要中的句子融合与压缩。
8.2.2 标题生成
标题生成要求极高的信息浓缩能力，与摘要一样需要突出主题并控制篇幅。
8.2.3 问答生成
问答生成会从文本中构造问题与答案，有时可帮助系统理解内容重点，从而间接服务摘要任务。
8.3 文档理解
文档理解为摘要提供整体语义与结构支持，使系统不仅看见词句，还能理解篇章组织。
8.3.1 主题建模
主题建模用于识别文档的主要话题分布，对摘要中的内容筛选和结构规划有辅助作用。
8.3.2 篇章分析
篇章分析关注文本各部分之间的逻辑联系，如总分、并列、转折和递进关系，有助于生成更有条理的摘要。
8.3.3 语义表示
语义表示将文本映射为向量或其他内部形式，便于模型比较内容相似性并捕捉深层含义。
9 发展趋势
9.1 更强的事实一致性控制
未来摘要系统将更强调对事实的校验和约束，通过引用对齐、检索验证和一致性检测减少错误生成。
9.2 面向长上下文的摘要能力
随着文档长度和上下文窗口不断增长，如何稳定处理超长输入并保持全局结构，将成为重要方向。
9.3 可定制化摘要风格
不同用户对摘要的要求不同，未来系统将更注重按场景定制长度、语气、详略和输出格式。
9.4 人机协同摘要工作流
在专业场景中，自动摘要更可能作为辅助环节，与人工编辑、审校和反馈机制结合，以提高可靠性与效率。
9.5 多模态摘要扩展
除纯文本外，未来摘要技术还会更多结合图片、表格、音频和视频内容，形成面向多模态信息的综合概括能力。