Controllable Abstraction in Summary Generation for Large Language Models via Prompt Engineering

一、文章主要内容总结

该研究针对大型语言模型（LLMs）摘要生成中存在的质量与可控性不足问题，提出了一种基于提示工程的可控抽象摘要生成方法。核心围绕多阶段提示生成框架展开，通过对输入文本进行语义分析、主题建模和噪声控制，实现不同抽象层级的摘要生成。

研究采用CNN/Daily Mail数据集开展实验，重点分析了提示长度、数据噪声、文本类型三大关键因素对摘要质量的影响：

1. 提示长度存在最优区间（30-40个token），过短或过长都会导致摘要质量下降；
2. 数据噪声与摘要质量呈负相关，噪声水平升高会使ROUGE-L分数逐步降低；
3. 模型对不同文本类型适应性差异显著，处理新闻文本效果最佳，学术文章处理效果相对较差。

实验结果显示，该方法在ROUGE-N、ROUGE-L、BLEU、TER四项评估指标上均优于DeepExtract、WhisperSum等现有模型，验证了其在语义匹配、结构保真度和可控性上的优势。该方法可应用于新闻推荐、法律文档分析等多个领域，提升信息处理效率。

二、文章创新点

1. 提出多阶段提示生成框架：融合语义分析、主题建模和噪声控制，通过构建语义图和多目标优化函数，实现对摘要抽象层级的精准控制；
2. 引入强化学习驱动的策略优化：设计奖励函数动态评估提示有效性，结合多任务学习框架，同时优化多个任务的提示生成，提升模型适应性；
3. 系统分析关键影响因素：量化了提示长度、数据噪声、文本类型对摘要质量的影响机制，为提示工程的参数调整和