核心发现
方法论
本文提出两阶段QFES框架：第一阶段采用自适应阈值的查询相关检索（RAT），结合BGE和LLM验证筛选文档；第二阶段基于层次聚类的SHC，从检索到的文档中提取事件、筛选关键事件并进行共指消解。QFESum数据集由8个主题事件、16684篇文档和104个查询构建，结合T17与CRISIS数据集，采用人工与LLM辅助标注，确保事件与查询的相关性。该框架充分利用LLM的语义理解能力，结合层次聚类技术，有效处理大规模、复杂的主题语料，提升事件摘要的准确性与覆盖度。
关键结果
- 在QFESum上，RAT与SHC连续优于传统检索与摘要方法，ROUGE-1/2/L分别达38.71/10.44/16.08，BLEU与METEOR指标也显著提升，LLM-F1达12.21，显示出强大的事件相关性与内容浓缩能力。
- 与基线模型GraphRAG和FG-RAG相比，本文方法在事件匹配精度和信息密度方面表现更优，特别是在大规模文档环境中，显著减少冗余信息，提升摘要质量。
- 通过人类评估，本文方法在事件覆盖率与相关性方面优于对比模型，平均事件匹配率达75%，验证了模型在实际应用中的有效性与鲁棒性。
研究意义
该研究填补了事件导向查询摘要数据缺失的空白，提出的两阶段框架结合大规模语料与LLM能力，为复杂主题事件的自动化分析提供了新思路。其在新闻、危机应对、政策分析等领域具有广泛应用潜力，有助于提升信息处理效率，推动智能信息摘要技术的发展。
技术贡献
创新点在于引入自适应阈值的检索机制，有效缓解大规模数据中的检索难题；结合层次聚类的事件筛选与共指消解，增强摘要的事件一致性与代表性。提出的QFESum数据集丰富了事件摘要研究的资源基础，为未来多模态、多源信息融合提供了实验平台。
新颖性
首次系统构建面向事件的查询焦点摘要数据集，并提出结合LLM与层次聚类的两阶段框架，突破了现有QFS在大规模、事件导向场景中的性能瓶颈。相较于传统单阶段检索或浅层聚类方法，本文在事件理解与内容浓缩方面实现了显著创新。
局限性
- 模型在极端复杂或多义事件场景下仍存在信息遗漏或冗余的问题，主要由于事件抽取与聚类的局限性。
- 大规模数据处理对计算资源要求较高，尤其是在多轮LLM验证环节，影响实用性。
- 当前方法对事件的时间与空间关系理解不足，未来需引入多模态信息与时间建模以提升效果。
未来方向
未来将结合多模态数据（如图像、视频）丰富事件表示，探索更高效的检索与摘要模型，提升模型的可解释性与实时性。同时，计划扩展多语言、多领域数据，增强模型的泛化能力，推动事件智能分析的实际应用落地。
AI 总览摘要
在信息爆炸的时代，快速准确地提取事件核心内容成为关键挑战。传统多文档事件摘要方法多关注内容的整体浓缩，忽视用户的具体查询需求。为此，本文提出了查询焦点事件摘要（QFES）任务，旨在根据用户查询，从庞大的语料库中筛选相关文档并生成事件摘要。为支持该任务，构建了QFESum数据集，涵盖8个主题事件、16684篇文档和104个查询，结合T17和CRISIS两个公开数据集，通过人工与LLM辅助标注，确保事件与查询的紧密关联。研究中引入两阶段框架：第一阶段的RAT利用BGE和LLM进行自适应阈值检索，有效筛除无关文档；第二阶段的SHC通过事件抽取、层次聚类和共指消解，提取关键事件，生成内容丰富且紧凑的摘要。实验结果显示，该方法在ROUGE、BLEU、METEOR及LLM-F1指标上均优于传统基线模型，验证了其在大规模复杂场景中的优越性能。人类评估进一步确认了模型在事件覆盖率和相关性方面的优势。该研究不仅丰富了事件摘要的资源体系，也为多源、多模态信息融合提供了技术基础，有望在新闻、危机管理、政策分析等实际应用中发挥重要作用。未来，计划结合多模态数据，提升模型的理解能力与实时性，推动事件智能分析的广泛落地。
深度分析
研究背景
随着信息技术的发展，事件摘要逐渐成为信息处理的重要方向。早期研究主要集中在多文档事件摘要（MDES），如DUC和T17等数据集，强调内容的浓缩与信息的全面覆盖。近年来，随着大规模语料和深度学习的发展，基于神经网络的摘要模型如GraphRAG、FG-RAG等逐步崭露头角，但多面临大规模数据处理效率低、事件理解不足的问题。查询焦点摘要（QFS）作为满足个性化需求的技术，虽然在新闻和会议摘要中取得一定成果，但缺乏针对事件场景的专门数据集和算法优化。现有研究多忽视事件的语义一致性和多维度关联，限制了其实际应用潜力。
核心问题
核心问题在于如何在大规模、多维度的主题语料中，结合用户查询，准确筛选相关文档并生成事件焦点的高质量摘要。现有QFS方法多假设检索为完美，忽略检索质量对摘要效果的影响，且在处理复杂事件时难以保证事件的完整性与一致性。此外，缺乏专门的事件相关数据集，限制了算法的训练与评估。如何设计一个既能高效检索，又能深度理解事件语义的系统，成为亟待解决的难题。
核心创新
本文的创新点在于：1）提出QFES任务，结合大规模事件语料与用户查询，推动事件导向的个性化摘要研究；2）构建QFESum数据集，系统标注事件、查询与文档相关性，为研究提供丰富资源；3）设计RAT检索机制，利用LLM和自适应阈值提升检索精度；4）引入层次聚类的SHC框架，有效抽取关键事件，结合共指消解增强事件一致性。这些创新突破了传统QFS在大规模场景中的性能瓶颈，提升了事件理解与内容浓缩能力。
方法详解
- �� 采用BERTopic进行主题聚类，提取关键词，生成初始查询；
- �� 利用ChatGPT-4将关键词转化为自然语言查询；
- �� 通过LLM辅助标注，筛选出与查询相关的事件和文档；
- �� 构建自适应阈值机制，结合LLM验证，筛除无关文档；
- �� 利用BGE编码事件，基于层次聚类（如HDBSCAN）筛选关键事件；
- �� 进行事件共指消解，确保事件的唯一性和代表性；
- �� 最终生成事件摘要，结合事件重要性排序与语义匹配。
实验设计
在QFESum数据集上，采用ROUGE、BLEU、METEOR和LLM-F1等指标评估模型性能。比较基线包括BM25、DPR、GraphRAG和FG-RAG等，验证模型在大规模、多事件环境中的优越性。通过人工评估确认事件覆盖率和相关性，进行消融实验分析不同模块的贡献。参数调优包括阈值设定、聚类半径等，确保模型的鲁棒性与泛化能力。
结果分析
实验显示，本文方法在ROUGE-1/2/L指标上分别达38.71/10.44/16.08，明显优于GraphRAG和FG-RAG。LLM-F1指标达12.21，表明事件匹配准确率高。人类评估验证，事件覆盖率达75%，显著优于对比模型。模型在处理大规模文档时，能有效减少冗余，提升内容浓缩度，展现出强大的实用潜力。
应用场景
该技术可广泛应用于新闻事件追踪、危机应对、政策分析等领域，帮助用户快速获取关键信息。系统可集成到新闻聚合平台、应急管理系统中，实现自动化、个性化的事件摘要，为决策提供支持。未来还可结合多模态信息，提升多源数据的理解与融合能力，推动智能事件分析的行业落地。
局限与展望
模型在极端复杂或多义事件中仍存在信息遗漏或冗余的问题，主要由于事件抽取与聚类的局限性。大规模数据处理对计算资源要求较高，尤其在多轮LLM验证环节，影响实用性。此外，当前方法对事件的时间与空间关系理解不足，未来需引入多模态信息与时间建模以提升效果。
通俗解读 非专业人士也能看懂
想象你在一个大型厨房里准备一顿丰盛的晚餐。厨房里有成百上千的食材（文档），每个食材都代表一个事件或信息点。你的任务是根据客人的特殊需求（查询），快速找到相关的食材，然后把它们组合成一道美味的菜肴（摘要）。但厨房里食材繁多，如何快速筛选出符合需求的食材，是个难题。于是，你设计了两个步骤：第一步用智能助手（RAT）帮你筛选出可能相关的食材，利用它们的标签和味道（语义信息）判断是否符合要求；第二步用厨师（SHC）根据筛选出的食材，按类别、味道和相似度，把它们分类整理，挑出最重要的几样，最后组合成一道完整的菜肴。这种方法让你既能快速找到关键信息，又能保证菜肴的味道（内容）符合客人的期望。整个过程就像是用智能和分类技术，帮你在海量信息中找到最核心的内容，节省时间又保证质量。
简单解释 像给14岁少年讲一样
想象你在学校的图书馆里找一本关于某个话题的书，比如“环保”。图书馆里有成千上万本书（文档），你只想找那些真正讲到“环保”相关内容的。你可以先用一个智能助手（就像你的朋友）帮你筛选出可能相关的书，他会根据书的标题和简介告诉你哪些书可能有用。接着，你再用另一个聪明的老师（比如一个分类系统）把这些书按照主题、内容相似度分类，把最重要的几本挑出来，最后写一份简短的总结（摘要），告诉别人这些书都讲了什么。这样一来，你不用翻遍所有书，就能快速找到最有用的信息，还能把它们整理成一份简洁的报告。这就像是用智能筛选和分类的方法，帮你在海量信息中找到重点，节省时间，又能得到准确的答案。
原文摘要
A thematic corpus is a collection of semantically coherent documents that collectively describe different aspects of a shared thematic event. Such a corpus typically contains hundreds or even thousands of documents. While users' interests in a thematic event often span multiple dimensions, Query-Focused Summarization (QFS) aims to generate summaries tailored to users' queries. However, existing QFS datasets lack event-oriented summarization, and most QFS methods struggle with large-scale corpora. To address these challenges, we propose the Query-Focused Event Summarization (QFES) task and construct the QFESum dataset, which contains 8 thematic events, 16,684 documents, and 104 queries. Furthermore, we introduce a two-stage QFES framework consisting of Query-Focused Retrieval with Adaptive Thresholding (RAT) and Query-Focused Summarization based on Hierarchical Clustering (SHC). Experimental results on QFESum show that RAT and SHC consistently outperform the baselines, demonstrating their effectiveness for QFES. The dataset and code are publicly available at https://github.com/sarcasm-hcy02/QFES-QFESum.