Divide-Prompt-Refine：一种免训练、结构感知的生物医学摘要生成框架
计算与语言
2026-05-21 v1
摘要
生物医学摘要在下游NLP应用中扮演着关键角色，例如信息检索、生物文献管理和生物医学知识发现。然而，相当数量的生物医学文章没有摘要，这降低了这些文章对下游任务的实用性。我们提出了DPR-BAG（Divide, Prompt, and Refine for Biomedical Abstract Generation），一个免训练、零样本框架，能够为有全文但无摘要的生物医学文章生成连贯且事实有据的摘要。DPR-BAG将全文文档按照背景-目标-方法-结果-结论（BOMRC）模式分解为结构化的修辞方面，对每个方面执行基于LLM的并行摘要生成，并应用最终的细化阶段来恢复全局语篇连贯性。在PMC-MAD（一个包含46,309篇生物医学文章的分布对齐数据集）上，DPR-BAG在保持事实一致性的同时，比强抽取式和微调基线提高了摘要新颖性。我们的消融研究揭示了一个反直觉的发现：增加提示复杂性或显式注入实体级指导可能会降低事实对齐度，凸显了受控提示策略的重要性。这些发现强调了免训练、结构感知框架在低资源环境下进行可扩展生物医学摘要生成的潜力。我们的数据和代码可在https://huggingface.co/datasets/pmc-mad/PMC-MAD和https://github.com/ScienceNLP-Lab/MultiTagger-v2/tree/main/DPR-BAG获取。
引用
@article{arxiv.2605.20628,
title = {Divide-Prompt-Refine: a Training-Free, Structure-Aware Framework for Biomedical Abstract Generation},
author = {Sylvey Lin and Joe Menke and Shufan Ming and Dongin Nam and Neil Smalheiser and Halil Kilicoglu},
journal= {arXiv preprint arXiv:2605.20628},
year = {2026}
}
备注
Accepted by BioNLP 2026