多文档文本摘要技术：应用、挑战与未来方向

《Expert Systems with Applications》：Multi-Document Text Summarization Techniques Applications, Challenges and Future Directions

　　

• 综合了抽取式与摘要式方法跨领域的多种多文档摘要（MDS）技术。• 批判性评估了现有摘要方法的优点与局限。• 指出了连贯性、冗余处理和评估指标方面的空白。• 建议未来在深度学习、语义和真实世界数据集方面开展研究。• 为改进MDS系统提供了包含实际应用的研究路线图。

## 引言

文本摘要旨在将大量信息浓缩为更短、更连贯的形式，同时保留其核心含义。随着新闻档案、科学出版物、法律数据库和在线平台中数字文档呈指数级增长，自动文本摘要已成为高效获取信息的关键手段 Babar (2014); Fattah & Ren (2008); Louis & Nenkova (2013a)。

摘要方法通常分为抽取式和生成式两大类。抽取式方法直接从源文本中识别并选择最重要的句子，而生成式方法则生成新的句子来释义和重组内容，通常能产出更流畅的摘要 Kouris, Alexandridis, & Stafylopatis (2021); Kumari & Singh (2021); Wang et al. (2024)。单文档摘要仅针对单一源文档进行处理，而多文档摘要（MDS）则需综合多个相关文档的信息，由此带来了额外挑战，如冗余削减、连贯性维持和事实一致性 Nenkova & McKeown (2012); Sellen & Whittaker (2010)。

本综述回顾了自2010年以来开发的MDS技术，涵盖统计方法、抽取式、生成式、深度学习、基于Transformer的以及混合方法，同时包括广泛使用的数据集、评估指标和实际应用案例。通过整合2020年以后基于Transformer和LLM驱动的发展成果，本综述突出了旨在提升可靠性、可扩展性和泛化能力的新兴研究方向。

大多数现有摘要综述要么对主题进行宽泛论述而未专门关注多文档场景，要么将分析局限于单一范式，要么主要局限于Transformer之前的方法。本综述在以下四个关键方面与之不同：(1) 专门对多文档摘要进行综合论述，明确处理跨文档挑战，如冗余、连贯性和信息融合；(2) 在单一框架下对抽取式、生成式和混合式MDS方法进行统一的比较分析；(3) 纳入了截至2025年的基于Transformer和LLM驱动的发展成果，包括扩散模型和公平性感知摘要；(4) 采用面向应用的技术分类法，将MDS技术与新闻业、医疗健康、法律分析和商业智能等真实领域进行映射。表1总结了与先前工作的这些差异。

针对LLM时代不断演变的需求，本综述在先前工作的基础上做出了四项具体贡献。第一，它呈现了更新的基准分析，在MultiNews 2020、DUC 2011、TAC 2018和WikiSum 2022等标准基准上，跨四个方法学类别比较了抽取式和生成式MDS方法。第二，它提供了以评估为中心的稳健综合分析，批判性地审视了以ROUGE为主导的基准测试的局限性，并识别出更适合现代生成式系统的新型指标。第三，它引入了一个面向应用决策的框架，根据文档长度、资源可用性、领域约束和质量要求，将MDS方法类别映射到真实世界的部署场景。第四，它提供了部署可行性分析，从延迟、成本、可解释性和信任等实用维度比较了基于图、基于Transformer和基于LLM的系统，并明确讨论了法律摘要和医学摘要等高风险领域。这些贡献共同解决了一个先前综述尚未集体解决的问题：在LLM时代缺乏将方法学演进与实际可行性、评估充分性和领域特定约束相联系的统一且面向部署的MDS综合分析。

## 研究片段

### 研究目标与问题

本系统文献综述（SLR）旨在对多文档摘要（MDS）提供结构化的概述，重点关注方法发展、主要贡献和新兴趋势。本研究由以下研究问题（RQ）指导：

**RQ1：** 抽取式和生成式MDS方法随时间如何演变？

**RQ2：** MDS中使用的数据集和评估指标有哪些？

**RQ3：** 每种方法的优点和局限性是什么？

**RQ4：** 当前面临的挑战和富有前景的方法是什么？

### 方法论

本研究遵循结构化的系统文献综述（SLR）方法论。流程包括明确的纳入与排除标准、多源搜索策略，以及对方法、数据集、评估指标和研究趋势的深入分析。

### 抽取式多文档摘要方法的分类

与先前将抽取式MDS方法孤立处理或仅覆盖2020年之前架构的综述不同，本节提供了跨越基于图、深度学习、基于Transformer和混合范式的统一比较分析，明确指出各方法族在真实MDS条件下的成功与失败之处。自2010年以来，抽取式多文档摘要（EMDS）领域经历了巨大变革，从基于图论的方法和……

### 多文档摘要方法的比较分析

多文档摘要（MDS）从统计方法到深度神经网络架构，再到基于Transformer的模型的演进，反映了系统理解文本、建模语义和处理长上下文依赖方式的根本性转变。本节批判性地辨析了这三大方法学范式，不仅突出其技术基础，还阐述其相对优势、劣势和适用场景。

### 生成式多文档摘要方法的分类

以下对生成式方法的回顾明确聚焦于其在多文档摘要中的应用，突出每种方法如何应对MDS特定挑战，如冗余、跨文档连贯性以及多源信息融合。先前的生成式摘要综述要么早于LLM时代，要么仅涉及单文档场景。本节超越了这些边界，系统性地覆盖了截至2025年的发展成果，包括……

### 多文档摘要的最新工作（2024–2025）

表18分类整理了2024年和2025年最新的抽取式和混合式方法，突出了一个趋势：向图增强架构和公平性感知摘要方向发展。

### 数据集

数据集是用于分析、机器学习模型训练或其他计算任务的结构化数据集合。它由以特定格式（如表格、CSV文件、JSON、XML、电子表格、文本文件）组织的相关数据点组成 Ladhak et al. (2021)。

数据集可以是单文档数据集或多文档数据集。单文档数据集是指每篇摘要由单一输入文档生成的数据集。多文档数据集是指……

### MDS评估指标

评估指标是用于衡量模型、算法或系统性能和质量的量化度量标准。在自然语言处理（NLP）和摘要领域，评估指标有助于判断生成的摘要与人工编写的（参考）摘要的一致性程度，或评估其传达关键信息的有效性。在多文档摘要（MDS）中，评估指标用于衡量从多个源文档生成的摘要质量。这些指标可以……

### 新闻聚合与新闻业

MDS在新闻业中广泛应用，用于综合多篇报道同一事件的新闻报道，生成全面且准确的摘要。它尤其有助于创建每日或每周新闻摘要，使读者无需逐一查阅多个来源即可保持信息更新。MDS还可用于识别报道中的偏见，通过对比比较不同新闻来源的摘要来提供事件发生的客观视角 Ma, Zhang et al. (2020)。

### 科学文献摘要

MDS在……中发挥着关键作用。

### 多文档摘要（MDS）的关键挑战

多文档摘要（MDS），特别是生成式和抽取式方法，面临众多挑战。所有这些挑战均源于连贯性、冗余性、事实一致性、计算复杂性和数据集局限性方面的问题。

**抽取式方法**

抽取式摘要从源文档中直接识别并选择关键句子或段落，而不对其进行改写。当事实准确性、可验证性和保留原文措辞至关重要时，这些方法更受青睐。这使得抽取式方法在法律、医疗、技术和金融领域尤为宝贵，因为在这些领域中，即使是微小的措辞变化也会产生重大影响。抽取式方法在低资源或大规模……

**大规模与高质量数据集**

迫切需要开发多样化的、特定领域的、多语言的数据集，其中包含高质量的人工标注生成式摘要。Multi-News Fabbri et al. (2019b)、WikiSum Liu et al. (2018a)和PRIMERA的WikiCatSum Pérez-Beltrachini (2019)等数据集在这方面是有益的步骤，但在领域和语言覆盖方面仍有限。未来工作应聚焦于法律、金融和科学MDS任务的数据集，要求长上下文连贯性和主题多样性。

**事实一致的摘要**

一个核心……

### 结论

多文档摘要（MDS）已成为从各种领域的大量相关文本中提炼有意义洞察的关键工具。本综述对三个方面进行了全面概述：抽取式和生成式MDS技术的进展；冗余、连贯性和事实准确性等持续存在的挑战；以及推动该领域研究的数据集。通过探索实际应用并识别有前景的未来……

### 致谢

感谢……

### 作者贡献声明

**概念化：** Sarwar Shah Khan, Muzammil Khan

**方法论：** Reshma Khan, Sarwar Shah Khan, Sajid Khan, Muzammil Khan

**验证：** Reshma Khan, Sarwar Shah Khan, Muzammil Khan

**形式分析：** Reshma Khan, Sarwar Shah Khan, Mian Muhammad Danyal

**数据整理：** Reshma Khan, Sarwar Shah Khan, Sajid Khan, Muzammil Khan, Mian Muhammad Danyal

**初稿撰写：** Reshma Khan, Sarwar Shah Khan

**审阅与编辑：** Sarwar Shah Khan, Muzammil Khan

**可视化：** Reshma Khan, Sarwar Shah Khan

### 未引用参考文献

缺少引文：表21

### 利益冲突声明

作者声明他们不存在已知的竞争财务利益或个人关系，这些利益或关系可能影响本论文所报告的工作。

Reshma Khan | Sarwar Shah Khan | Sajid Khan | Muzammil Khan | Mian Muhammad Danyal