ScholarSum: Student-Teacher Abstractive Summarization via Knowledge Graph Reasoning and Reflective Refinement
作者: Bohou Zhang, Xiaoyu Tao, Mingyue Cheng, Huijie Liu, Qi Liu
分类: cs.CL, cs.IR
发布日期: 2026-06-17
🔗 代码/项目: GITHUB
💡 一句话要点
提出ScholarSum以解决科学文献摘要中的流畅性与事实一致性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 摘要生成 知识图 学生-教师模型 流畅性 事实一致性 科学文献 反思性改进
📋 核心要点
- 现有的摘要生成方法在语言流畅性和事实一致性之间难以取得平衡，导致生成的摘要质量不高。
- 本文提出ScholarSum框架，通过层次知识图和学生-教师写作过程，提升科学文献的摘要质量。
- 实验结果显示，ScholarSum在完整性和事实一致性方面显著优于传统方法，验证了其有效性。
📝 摘要（中文）
摘要生成在科学文献理解中至关重要，但需要兼顾语言流畅性和事实准确性。现有方法往往难以平衡这两者，提取式方法在逻辑连贯性上存在不足，而基于大型语言模型的生成方法则在事实一致性上表现有限。本文提出了ScholarSum，一个基于层次反思图的框架，模拟学生-教师写作过程，实现流畅且准确的科学摘要。ScholarSum首先将文档组织为层次知识图，通过语义单元的分割捕捉全球逻辑和宏观主题。学生生成初稿后，教师型审核者反复检查并引导重写，确保摘要质量。实验结果表明，ScholarSum在完整性和准确性上显著优于现有基线。
🔬 方法详解
问题定义：本文旨在解决科学文献摘要生成中的语言流畅性与事实一致性之间的矛盾。现有方法在逻辑连贯性和事实准确性上存在明显不足，导致生成的摘要质量不高。
核心思路：ScholarSum框架模拟学生-教师的写作过程，首先通过层次知识图组织文档，确保生成的摘要既流畅又准确。学生生成初稿后，教师型审核者进行反复检查和重写，确保最终摘要符合高标准。
技术框架：ScholarSum的整体架构包括两个主要阶段：第一阶段是构建层次知识图，第二阶段是学生生成初稿并通过教师审核进行反思性改进。知识图的多层次结构捕捉了文档的全球逻辑和主题。
关键创新：ScholarSum的创新在于引入了层次知识图和反思性审核机制，区别于传统的提取式和生成式方法，能够更好地平衡流畅性与事实一致性。
关键设计：在技术细节上，ScholarSum采用了多层次社区结构来构建知识图，并设计了针对性的重检与重写机制，以确保生成摘要的质量和一致性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ScholarSum在完整性和事实一致性上显著优于传统基线方法，具体提升幅度达到XX%（具体数据待补充），验证了其在科学文献摘要生成中的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括科学文献的自动摘要生成、学术搜索引擎的内容提炼以及教育领域的学习材料生成。通过提高摘要的质量，ScholarSum能够帮助研究人员更高效地获取关键信息，促进知识的传播与应用。
📄 摘要（原文）
Abstractive summarization plays a crucial role in enabling efficient understanding of scientific literature, yet it inherently demands both linguistic fluency and factual faithfulness. Existing approaches often fail to reconcile these two requirements. Extractive methods rely on rigid sentence splicing that disrupts macro-level logical coherence, while large language model (LLM)-based generative approaches, despite mastering linguistic fluency, exhibit limited factual consistency. In this work, we propose ScholarSum, a hierarchical reflective graph-based framework that emulates a student-teacher writing process for fluent and faithful scientific summarization. ScholarSum first organizes the document into a hierarchical knowledge graph by segmenting it into semantically coherent units, whose multi-layered community structure captures global logic and macro-level themes. Guided by this global structure, the student generates an initial draft, which is subsequently refined through fine-grained evidence retrieval. To ensure factual consistency, a teacher-like reviewer then iteratively examines the draft, identifies unsupported content, and prompts targeted re-retrieval and rewriting until the summary meets rigorous quality standards. Extensive experiments demonstrate that ScholarSum significantly outperforms previous baselines in terms of both completeness and faithfulness. Our code is available at https://github.com/Xiaoyu-Tao/ScholarSum.