核心定义生成是指通过自动或人工的方式，从一篇或多篇较长的源文本（如文章、报告、论文、新闻）中，提取其核心信息和主旨，生成一段更短、更精炼、保留原意的文字的过程。其核心目标是实现信息的压缩和价值提取

关键分类维度

1. 基于生成方式

   

   • 提取式摘要：从源文本中直接“提取”重要的句子、短语，并将其组合成摘要，就像用荧光笔划出重点句。
     • 优点：忠实于原文，不易出现事实错误。
     • 缺点：摘要可能不连贯，语言生硬，无法概括未直接表述的信息。
   • 生成式摘要：通过自然语言生成技术，理解原文后“重新组织语言”来生成摘要，就像读懂文章后，用自己的话复述核心内容。
     • 优点：摘要更流畅、连贯，能进行概括和 paraphrasing。
     • 缺点：可能引入原文没有的信息（幻觉），对模型要求更高。

2. 基于源文本数量

   • 单文档摘要：对单一文档生成摘要。
   • 多文档摘要：从多篇谈论同一主题或事件的文档中，生成一份综合摘要，需要处理信息重叠、冲突和互补。

3. 基于摘要功能/长度

   • 指示性摘要：仅说明原文的主题、范围和结构，类似于“目录”或“简介”，帮助读者判断是否需要阅读全文。
   • 报道性摘要：浓缩原文的主要论点、发现和结论，提供核心内容，使读者无需阅读全文即可了解关键信息。
   • 极端摘要：生成非常简短的摘要（如标题、一句话摘要）。

基本流程（以自动摘要为例）

1. 内容分析：理解文本，识别关键实体、主题、事件和关系。
2. 重要性评估：使用算法（如基于位置、词频、主题模型、图算法、神经网络）对句子或信息单元进行排序和打分。
3. 内容选择：根据得分和摘要长度，选取最重要的信息单元。
4. 内容重组与生成（对于生成式）：将选出的信息转化为连贯、通顺的摘要文本，可能涉及句子压缩、融合和 paraphrasing。
5. 后处理与润色：确保摘要的语法正确性、可读性和流畅性。

主要应用场景

• 新闻领域：自动生成新闻提要。
• 学术研究：快速浏览论文摘要。
• 商业智能：汇总市场报告、竞品分析。
• 法律文件：提炼冗长法律文书的核心条款。
• 会议/视频：生成文字记录摘要。
• 搜索引擎：在搜索结果中显示网页摘要（Snippet）。
• 日常辅助：文档阅读工具、信息聚合应用。

核心评价指标

• 内部评价：将自动摘要与人工编写的参考摘要进行比较。
  • ROUGE：最常用的指标，通过计算N-gram（词序列）的重叠度来评估内容召回率。
• 外部评价：评估摘要对下游任务的帮助。

  用摘要来分类文档,看准确率是否与用全文接近。

• 人工评价：从通顺度、连贯性、信息性、忠实度（是否歪曲原意）等维度进行人工评分，这是最可靠但成本最高的方法。

技术发展与挑战

• 传统方法：基于统计、图排序（如TextRank）、主题模型。
• 现代主流：基于深度学习，尤其是预训练语言模型。
  • 序列到序列模型：如BART、T5、PEGASUS，这些模型专为文本生成任务预训练，在生成式摘要上表现出色。
  • 大型语言模型：如GPT系列，通过指令微调可以实现高质量的生成式摘要。
• 当前挑战：
  • 事实一致性：生成的内容与原文事实不符（“幻觉”问题）。
  • 长文档处理：模型对长文本的理解和记忆能力有限。
  • 可控生成：如何生成满足特定长度、风格或侧重点的摘要。
  • 低资源语言：缺乏高质量训练数据。

总结生成的核心是 “信息压缩”与“价值保留” 的平衡，它已经从早期的简单提取，发展到如今基于大语言模型的智能生成，但其核心挑战——如何像人类一样准确理解、精炼概括并流畅表达——仍然是该领域研究的重点，随着AI技术的发展，摘要正变得越来越智能和实用。