针对生物医学健康信息学的摘要总结与自然语言处理模型的系统方法学综述：方法、指标与挑战

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Methodical Systematic Review of Abstractive Summarization and Natural Language Processing Models for Biomedical Health Informatics: Approaches, Metrics and Challenges

文本总结任务对决策支持系统和聊天机器人训练至关重要，本文综述了抽象文本总结的研究趋势，探讨NLP语言模型在生物医学领域的应用，分析深度神经网络模型在摘要生成中的现状及改进方向，提出自动化评估指标和优化策略。

　　

摘要

文本摘要任务对于决策支持系统非常有用，因为它们可以从大量数据中提取并保留有用的信息，从而为机器人的训练提供数据来源。本文旨在综述现有关于抽象摘要以及自然语言处理（NLP）语言模型在生物医学和相关医疗保健应用中的研究文献。在过去的十年中，随着大数据、物联网（IoT）等趋势的发展，各种结构化、非结构化和半结构化的数据量持续增长。本文全面梳理了抽象摘要的研究趋势、机器翻译的基础原理以及语言模型的发展历程。文章指出，语言模型在提升摘要任务的性能和准确性方面具有巨大潜力。基于深度神经网络的语言模型已成为当前抽象摘要领域的最佳实践，而且还有很大的空间可以对这些模型进行优化，以适应特定领域的需求。然而，现有系统在忠实于原文内容以及控制生成内容的“幻想性”（即与原文的偏差程度）方面仍存在不足。此外，本文还详细介绍了评估标准以及自动化评估指标的必要性，并试图为健康信息学领域的抽象摘要评估提供指导原则。