这也是一篇受控生成的文章（最近不知道为啥，经常读到这个类型的）
    这个文章利用Guide和Prompt组合
    Guide这里指的是关键词，关键词就是从原文选择Oracle的句子集（让ROUGE最高），然后选择和reference最长匹配子串，再移除停用词等冗余词汇。
    Prompt和下游的任务有关
    控制的对象有

    1. 用关键词
      1. 实体中心，例如体育新闻，可以关注詹姆斯还是库里的表现情况来生成不同关注的摘要
      2. 长度控制，可以利用给定关键词的数量来约束模型产生不同长度的摘要
    2. 同时用关键词和Prompt（关键词在Encoder端额外输入，Prompt是作为Decoder的前缀输入）
      1. 科研贡献，ArXiv上论文概括作者的Contributions
      2. 专利研发目的：学习专利证书，概括作者的研究目的（研发这个用来干啥）
      3. 问题导向的摘要

    三个下游用途的Prompt设计比较显然，设计的思路其实就是文本续写的感觉，把问题或者提示写在前面，然后让模型接着写（这里的prompt只用在Decoder的input，作为前缀，之前看的一篇专门做NLG Prompt的论文也是这么弄的）（下图黑体加粗部分，后面是生成的结果）：
    21.10.24 CTRLSUM: TOWARDS GENERIC CONTROLLABLE TEXT SUMMARIZATION - 图1
    结果

    1. 关键词来实体导向效果不错，定义的倾向实体在摘要里顺利出现（代表了生成倾向注入成功）
    2. 长度控制，BART这种模型已经能够很好的判断出Target Reference的长度，已经做的不错，但是这里可以控制的更加准确。
    3. 问答导向的摘要
      1. BART在Zero-Shot下，效果不行（我估计就是Copy了原文）
      2. BART普通的摘要任务Fine-tuing，有了巨额提升
      3. 利用问题作为Prompt，获得了进一步的大提升
      4. 说明了摘要问题和QA问题有一定的共通性质，把原文概括就可以比较好的回答问题