在自然语言处理领域，大规模摘要数据集通常不包含查询（query），这限制了它们在面向查询的摘要（Query-Focused Summarization, QFS）任务中的应用。针对这一问题，来自加拿大莱斯布里奇大学的Yllias Chali和Deen Abdullah提出了一种基于证据的查询生成模型，能够从无查询数据集中自动生成查询关键词，进而构建QFS数据集。
该研究回答了两个核心问题：是否可能从无查询数据集中自动生成基于证据的查询关键词？这种证据驱动的查询生成是否有助于QFS任务？为此，研究者设计了一个证据抽取与查询生成框架，首先从文档-摘要对中识别关键证据片段，然后据此生成查询。
在内在评估中，研究者对比了生成的查询与两个现有QFS数据集中的原始查询的语义相似度。外在评估则使用多个预训练语言模型（如BERT、T5等）以及一个最新的QFS模型进行摘要任务，比较基于证据查询和原始查询生成的摘要质量。实验结果显示，无论是内在相似度还是外在ROUGE评分，证据查询都取得了与原始查询竞争性的结果，证明了该方法的可行性。此外，研究还对不同类型的数据集进行了分析，探讨了证据查询在不同场景下的泛化能力。
该工作为利用现有无查询数据集扩展QFS资源提供了新思路，有助于推动摘要生成领域的研究。论文共7页，包含1张图表，已发表于arXiv，编号2605.05392。未来工作可以进一步优化证据抽取步骤，并探索在更多语言上的应用。