Large Language Models for the Summarization of Czech Documents: From History to the Present

文章核心总结与创新点主要内容本文聚焦捷克语文本摘要任务（涵盖现代和历史文本），针对捷克语作为中资源语言、形态复杂且历史文本缺乏高质量数据集的问题展开研究。通过采用先进大语言模型（Mistral 7B、mT5）和创新的翻译-摘要-翻译（TST）方法，在现有现代捷克语摘要数据集SumeCzech上进行实验，同时构建并发布了历史捷克语文本摘要数据集Posel od Čerchova（POC），为捷克语摘要研究提供了新的基准和资源支持，最终推动捷克语（尤其是历史捷克语）文本摘要在数字人文、文化遗产保护等领域的应用。创新点模型应用突破：首次将Mistral 7B和mT5等大语言模型应用于捷克语文本摘要，在SumeCzech数据集上实现了最先进（SOTA）性能，验证了多语言大语言模型对形态丰富的中资源语言的有效性。翻译辅助方法：提出TST方法，通过将捷克语文本先翻译为英语，利用英语摘要模型生成摘要后再翻译回捷克语，为低/中资源语言摘要任务提供了高效的替代方案。历史数据集构建：创建了首个针对历史捷克语文本摘要的数据集Posel od Čerchova，该数据集源自19世纪期刊，包含页面级（POC-P）和文章级（POC-I）两种摘要，填补了历史捷克语摘要资源的空白。跨领域支持：同时覆盖现代和历史捷克语摘要任务，提供了统一的实验框架和基线结果，为后续低资源语言摘要、历史文本处理研究奠定基础。