利用整体相似性进行无监督文档结构提取
内容提要
该文综述了文档摘要与文本匹配研究，采用无监督图模型、GCN连贯性模型、语言模型检索及层次聚类等方法，提升法律、科学等文档的摘要与相似度评估效果，实验均优于强基线。
延伸解读
无监督方法在文档结构提取中的优势
文章综述的多项研究均采用无监督方法，如基于图的排名模型和层次聚类，这些方法不依赖标记数据，却能优于强基线。例如，在法律判决和科学文献摘要任务中，无监督模型利用文档结构特性，取得了与监督方法相当的性能。这表明，在标注数据稀缺的领域，无监督方法具有实用价值，能有效降低对人工标注的依赖。
文档结构信号对摘要与匹配的关键作用
文章强调，篇章结构中的模式是判断内容重要性的强有力信号。例如，利用不对称位置提示确定句子重要性，或通过GCN模型捕捉文档间结构相似性，都能提升摘要和连贯性评估的效果。这提示读者，在处理长文档时，关注其层次结构（如段落、章节）比单纯依赖词汇特征更有效，尤其适用于法律、科学等结构严谨的文本。
跨领域应用的潜力与局限
综述中的方法在加拿大法律案例、PubMed、arXiv等数据集上验证有效，并扩展到数字人文领域。然而，这些实验多局限于特定领域和语言（如英语），其泛化能力到其他语言或非结构化文本尚不明确。此外，无监督方法虽避免标注成本，但可能对文档格式变化敏感，实际部署时需考虑领域适配和鲁棒性。
Q&A
无监督文档结构提取主要用了哪些方法？
文章综述了多种无监督方法，包括基于图的排名模型、GCN连贯性模型、语言模型检索以及层次聚类等，用于文档摘要和文本匹配。
这些方法在哪些数据集上验证了效果？
在加拿大法律案例数据集、PubMed、arXiv、DocRED、CDR、GDA、DUC'2002-2004、Multi-News、CNN/Daily Mail、NewsRoom以及纽约时报文章和英文维基百科数据集上进行了实验验证。
基于图的排名模型如何利用文档结构？
该模型采用两级分层图表示源文档，并利用不对称的位置提示来确定句子的重要性，从而提取摘要。
这些方法相比基线有什么优势？
实验结果表明，所提出的方法在自动指标和人工评价方面均优于多个强基线，甚至与许多监督学习方法性能相当。
文档匹配方法如何测量文本相似度？
通过将文本在隐藏主题的公共空间中进行比较，弥补长度不可比的文档对之间的词汇、语境和抽象差距，从而测量相似度。
多文档自动摘要如何满足覆盖和多样性要求？
采用基于文档层次聚类的多文档自动摘要方法，通过提取反映所有文档共性和部分子类特异性的句子来生成摘要，从而满足覆盖和多样性要求。
