基于神经网络的跨语言摘要生成中的源语言语义保真与目标语言流畅性平衡研究综述.docVIP

基于神经网络的跨语言摘要生成中的源语言语义保真与目标语言流畅性平衡研究综述

跨语言摘要生成（Cross-LingualSummarization,CLS）旨在将不同源语言的长文本压缩为目标语言下的简洁摘要，同时保留核心信息与语言可读性。在神经网络模型广泛应用之前，传统跨语言摘要多采用“抽取式摘要+机器翻译”的流水线架构，先从源语文本中抽取关键句子，再通过翻译系统转换为目标语言。这种方法虽然实现流程简单，却存在明显的短板：抽取过程易遗漏细粒度语义信息，翻译阶段又可能引入误差叠加，最终导致摘要要么偏离源文原意，要么译文生硬晦涩。随着Transformer架构的普及和预训练语言模型的发展，端到端跨语言摘要模型逐渐成为主流，能够同时完成语义理解、信息压缩和跨语言转换三个核心任务，但模型在优化过程中始终面临一对核心矛盾——源语言语义保真度与目标语言流畅性的平衡问题。当模型过度倾向于源语言语义对齐时，输出摘要往往带有明显的翻译腔，不符合目标语言的表达习惯；当模型优先保障目标语言流畅性时，又容易出现源文信息丢失、虚构内容等“幻觉”现象。如何在二者之间找到最优平衡点，成为近年来跨语言摘要领域的研究焦点。

源语言语义保真的技术路径与挑战

语义保真的核心目标是确保生成的摘要能够完整、准确地覆盖源语文本的关键信息，避免信息遗漏、事实错误或语义偏移。现有研究主要从三个维度构建语义保真的技术方案：语义对