요약 편집하기 (부분)

=== 발전 과정 ===

==== 통계 기반 접근 (1950s~2000s) ====

자동 요약 연구의 시초는 1958년 루hn(Luhn)의 연구로 거슬러 올라간다.<ref>Luhn, H. P. (1958). The Automatic Creation of Literature Abstracts. ''IBM Journal of Research and Development'', 2(2), 159–165.</ref> 그는 단어 빈도수를 기반으로 문서의 중요 문장을 선별하는 방법을 제안했으며, 이것이 TF(Term Frequency) 기반 추출 요약의 원형이다.

이후 TF-IDF(Term Frequency-Inverse Document Frequency), 문장 위치 가중치, 단어 공출현 그래프 등 통계적 방법이 발전했다. 2004년 미할체아(Mihalcea)와 타라우(Tarau)가 제안한 '''TextRank'''<ref>Mihalcea, R., & Tarau, P. (2004). TextRank: Bringing Order into Texts. ''Proceedings of EMNLP 2004''.</ref>는 구글의 PageRank 알고리즘을 텍스트 그래프에 적용하여 외부 데이터 없이도 비지도 방식으로 문장 중요도를 계산하는 방법으로, 현재도 널리 사용되는 고전적 알고리즘이다.

==== 신경망 기반 접근 (2015~2019) ====

[[순환신경망(RNN)]]과 [[장단기 기억(LSTM)]]을 활용한 인코더-디코더 구조가 생성형 요약을 가능하게 했다. 러쉬(Rush) 등이 2015년 제안한 어텐션 기반 요약 모델<ref>Rush, A. M., Chopra, S., & Weston, J. (2015). A Neural Attention Model for Abstractive Sentence Summarization. ''Proceedings of EMNLP 2015''.</ref>은 신경망 기반 자동 요약의 출발점이 되었다.

이 시기에 CNN/DailyMail, XSum 등 대규모 요약 데이터셋이 구축되어 모델 학습과 평가의 표준 기반이 마련되었다.

==== 트랜스포머 기반 접근 (2019~현재) ====

2017년 구글이 제안한 [[트랜스포머(Transformer)]] 아키텍처와 2018년 [[BERT]]의 등장은 자동 요약을 포함한 NLP 전 분야에 혁명적 변화를 가져왔다.

요약 전용 사전 훈련 모델의 계보:

{| class="wikitable" style="width:100%"
|-
! 모델 !! 발표 기관 !! 연도 !! 특징
|-
| BERT || Google || 2018 || 양방향 인코더. 주로 추출 요약에 활용
|-
| GPT-2 || OpenAI || 2019 || 단방향 생성 모델. 제로샷 요약 시연
|-
| BART || Facebook AI || 2019 || 노이즈 제거 자동인코더 방식. 생성 요약에 최적화
|-
| T5 || Google || 2019 || 모든 NLP 태스크를 텍스트-투-텍스트로 통일
|-
| PEGASUS || Google || 2019 || 요약 특화 사전 훈련 (Gap Sentence Generation)
|-
| GPT-3/4 || OpenAI || 2020/2023 || 대형 언어 모델. 퓨샷·제로샷 요약 가능
|-
| LLaMA 2/3 || Meta || 2023/2024 || 오픈소스 대형 언어 모델
|-
| Claude 3/3.5/4 || Anthropic || 2024/2025 || 장문 처리 및 고충실 요약에 강점
|}

국내에서는 NAVER의 '''HyperCLOVA''', KAKAO의 '''KoGPT''', SKT의 '''KoBART''' 등 한국어 특화 모델이 개발되어 한국어 자동 요약에 활용되고 있다.