在自然語言處理領域，大規模摘要資料集通常不包含查詢（query），這限制了它們在面向查詢的摘要（Query-Focused Summarization, QFS）任務中的應用。針對這一問題，來自加拿大萊斯布里奇大學的Yllias Chali和Deen Abdullah提出了一種基於證據的查詢生成模型，能夠從無查詢資料集中自動生成查詢關鍵詞，進而構建QFS資料集。
該研究回答了兩個核心問題：是否可能從無查詢資料集中自動生成基於證據的查詢關鍵詞？這種證據驅動的查詢生成是否有助於QFS任務？為此，研究者設計了一個證據抽取與查詢生成框架，首先從文件-摘要對中識別關鍵證據片段，然後據此生成查詢。
在內在評估中，研究者對比了生成的查詢與兩個現有QFS資料集中的原始查詢的語義相似度。外在評估則使用多個預訓練語言模型（如BERT、T5等）以及一個最新的QFS模型進行摘要任務，比較基於證據查詢和原始查詢生成的摘要質量。實驗結果顯示，無論是內在相似度還是外在ROUGE評分，證據查詢都取得了與原始查詢競爭性的結果，證明了該方法的可行性。此外，研究還對不同型別的資料集進行了分析，探討了證據查詢在不同場景下的泛化能力。
該工作為利用現有無查詢資料集擴充套件QFS資源提供了新思路，有助於推動摘要生成領域的研究。論文共7頁，包含1張圖表，已發表於arXiv，編號2605.05392。未來工作可以進一步最佳化證據抽取步驟，並探索在更多語言上的應用。