摘要

我们主张，将内容选择过程与用于覆盖关键内容的预算机制相分离，能够显著提升抽象型摘要生成模型的性能与适用性。为此，我们提出的方法——FactorSum，通过引入一个能量函数，将摘要生成过程分解为两个步骤，实现这一分离：（1）生成抽象化的摘要视图；（2）在预算约束和内容引导下，将这些视图整合为最终摘要。其中，内容引导可来自多种来源，包括如BART或BigBird等指导模型，或在“理想情况”（oracle mode）下，直接来自参考摘要。该分解机制在多个长文档摘要基准测试中均取得了显著更高的ROUGE得分，涵盖PubMed、arXiv和GovReport。尤为突出的是，我们的模型在领域自适应方面表现出色：仅在PubMed数据上训练后，其在arXiv数据集上仍能达到46.29的ROUGE-1得分，这表明模型具备强大的泛化能力，其优势源于更灵活的预算适应机制，以及对领域特定文本结构依赖性较低的内容选择策略。