Divide-Prompt-Refine：无需训练，用于生物医学摘要生成的结构感知框架

生物医学摘要在下游 NLP 应用中发挥着至关重要的作用，例如信息检索、生物管理和生物医学知识发现。然而，相当多的生物医学文章没有摘要，从而降低了这些文章对下游任务的效用。我们提出了 DPR-BAG（生物医学摘要生成的划分、提示和细化），这是一个 无需训练 零样本框架，可为包含全文但没有摘要的生物医学文章生成连贯且基于事实的摘要。 DPR-BAG 按照背景-目标-方法-结果-结论 (BOMRC) 模式将全文文档分解为结构化修辞方面，对每个方面执行基于 LLM 的并行摘要，并应用最终的细化阶段来恢复全局话语连贯性。在 PMC-MAD（包含 46,309 篇生物医学文章的分布对齐数据集）上，DPR-BAG 相对于强大的提取和微调基线提高了抽象新颖性，同时保持事实一致性。我们的消融研究揭示了一个违反直觉的发现：增加提示复杂性或明确注入实体级指导可能会降低事实一致性，凸显了受控提示策略的重要性。这些发现强调了 无需训练（结构感知框架）在资源匮乏环境下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。