CADS: A Systematic Literature Review on the Challenges of Abstractive Dialogue Summarization

本文旨在总结英语对话基于Transformer的抽象概括研究，系统地回顾了2019年至2024年间Semantic Scholar和DBLP数据库中1262篇独特的研究论文。对话概括是将对话精简为信息丰富且简洁的总结的任务。虽然已经对此进行了评论，但缺乏全面的工作来详细说明对话概括的挑战，统一任务的不同理解，并将所提出的技术、数据集和评估指标与挑战相一致。本文涵盖了对话概括中的主要挑战（即语言、结构、理解、说话人、显著性和事实性），并将它们与相应的技术联系起来，如基于图的方法、额外的训练任务和计划策略，这些技术通常过度依赖于基于BART的编码器-解码器模型。我们发现，虽然一些挑战，如语言，由于训练方法的进步而取得了显著进展，但其他挑战，如理解、事实性和显著性，仍然很困难，并具有重要的研究机会。我们调查了这些方法通常如何进行评估，涵盖了对话子领域（如会议、医疗）的数据集、用于评估分数和注释者一致性的已建立的自动指标和人类评估方法。我们观察到只有少数数据集跨越所有子领域。 ROUGE指标是最常用的，而人类评估经常报告内部注释者一致性和注释指南的细节不足。此外，我们讨论了最近探索的大型语言模型的可能影响，并得出结论，尽管可能存在相关性和难度的转变，但我们所描述的挑战分类仍然具有相关性。

本篇论文旨在系统地回顾2019年至2024年间发表的1262篇关于基于Transformer的英语对话抽象总结的研究，探讨对话总结的挑战、技术和评估指标，并提供对未来研究的展望。

本论文系统地回顾了基于Transformer的英语对话抽象总结的研究，提出了对话总结中存在的挑战，并将其与相应的技术联系起来。同时，探讨了如何评估这些方法，并讨论了最近探索的大型语言模型的潜在影响。

本论文详细介绍了对话总结的挑战，如语言、结构、理解、讲话者、显著性和真实性，并将其与相应的技术联系起来，如基于图的方法、额外的训练任务和规划策略。此外，本文还介绍了对话子领域的数据集、评估指标和人工评估方法，并讨论了最近探索的大型语言模型的潜在影响。

最近的相关研究包括基于深度学习的文本摘要、对话生成和自然语言处理等方面的研究。例如，题为“Neural Abstractive Text Summarization with Sequence-to-Sequence Models”的论文研究了基于序列到序列模型的文本摘要方法。