[论文解读] MVSS: A Unified Framework for Multi-View Structured Survey Generation

Yinqi Liu, Yueqi Zhu+8 more|arXiv (Cornell University)|Jan 14, 2026

Topic Modeling被引用 0

一句话总结

MVSS 引入一种结构优先的框架，联合构建基于引用的分层树、树引导的表格和文本，以生成高质量的综述，在 76 个计算机科学主题上达到近专家水平。

ABSTRACT

Scientific surveys require not only summarizing large bodies of literature, but also organizing them into clear and coherent conceptual structures. Existing automatic survey generation methods typically focus on linear text generation and struggle to explicitly model hierarchical relations among research topics and structured methodological comparisons, resulting in gaps in structural organization compared to expert-written surveys. We propose MVSS, a multi-view structured survey generation framework that jointly generates and aligns citation-grounded hierarchical trees, structured comparison tables, and survey text. MVSS follows a structure-first paradigm: it first constructs a conceptual tree of the research domain, then generates comparison tables constrained by the tree, and finally uses both as structural constraints for text generation. This enables complementary multi-view representations across structure, comparison, and narrative. We introduce an evaluation framework assessing structural quality, comparative completeness, and citation fidelity. Experiments on 76 computer science topics show MVSS outperforms existing methods in organization and evidence grounding, achieving performance comparable to expert surveys.

研究动机与目标

• 推动自动化综述生成，保留明确的层级结构和结构化比较，以匹配专家级综述。
• 提出分层知识树（HKT），通过引用支撑来捕捉概念领域的组织结构。
• 开发一个结构感知的生成流程，其中树结构引导表格和文本，实现跨视图对齐。
• 在 76 个计算机科学主题上评估 MVSS，以评估结构质量、完整性和引用保真度。
• 证明联合多视图约束使文本接近专家撰写的综述，并具有鲁棒的引用支撑。

提出的方法

• 阶段 1 从检索到的论文中构建有证据支撑的分层知识树（HKT），并进行迭代改进。
• 阶段 2 生成树引导的结构化表格，使用检索论文上下文对齐到 HKT。
• 阶段 3 在树和表格的引导下创建多份大纲候选，选出最佳大纲，在结构条件下撰写综述，并进行跨视图对齐以确保一致性。

实验结果

研究问题

• RQ1 结构优先的方法是否能比以文本为中心的生成更好地组织和支撑自动化综述？
• RQ2 当以联合方式生成时，分层树和结构化表格是否能产生更连贯且具有证据支撑的综述？
• RQ3 自动化综述在结构、覆盖范围和引用保真度方面能在多大程度上接近专家撰写的综述？

主要发现

Length (tokens)	Human writing	Naive RAG-based generation	AutoSurvey	HiReview	MVSS (ours)	Coverage	Structure	Relevance	Avg.
8k	-	-	-	-	MVSS	4.83	4.79	4.88	4.83
16k	-	-	-	-	MVSS	4.94	4.85	4.92	4.90
32k	-	-	-	-	MVSS	4.91	4.93	5.00	4.95
64k	-	-	-	-	MVSS	5.00	5.00	5.00	5.00

• MVSS 在所有目标长度（8k–64k 令牌）上始终实现最高的整体综述质量。
• 在较长长度（32k 和 64k 令牌）下，MVSS 在结构和相关性方面接近专家表现。
• 结构质量（Structure）是 MVSS 相较于基线方法优势的主要驱动因素。
• 树和综述的引用精确度与召回率在 LLM 评审中均超过 75%，表明证据支撑具有可靠性。
• 在 64k 令牌时，MVSS 在覆盖、结构和相关性上达到完全或接近完全的分数，在某些评估中与人类撰写的综述相当。