这篇论文主要是利用人称信息来做

概述

希望解决两个问题

1. 首先摘要存在的事实不正确，人称等问题
2. 现存的所有模型都是从一个第三方的角度做的，摘要希望有一个侧重视角的工作（比如说客服和消费者，从一个消费者的角度）

利用在头部的一个串来注入人称
那这个注入存在一些策略

1. 在训练阶段，使用Golden Summary和Source Dialogue的人称的并集作为Entity List（最全）
2. 在测试阶段
   1. 用于分析，使用和训练阶段一样的策略（当然这实际上是不行的，仅仅在分析阶段作为上界）
   2. 使用Global的，即所有Source里的
   3. 使用某一个人的，Focus View

经过Transformer Encoder，然后利用Spanbert获取的多个Cluster（同指代为一个Cluster）
在Cluster里建立双向边。

里面还提到了一个我不知道是啥的技术

效果

这篇论文的效果好的离谱。。。不过为啥他的Baseline辣么高？后面的一些结果更离谱

分析

分析的话，有意思的是，他先训练了一个判别器
利用自动构造出正例和负例，正例就是Golden Summary，反例就是调换位置，修改名字等等
然后用BERT做一个分类，居然，分类可以达到91%的F1

然后后面用这个做质量评估就好。

里面还有一个CTRLSum，不知道是啥玩意儿，后面会再看看