神经摘要模型的成功源于对源文章的精心编码。为了克服有限且有时嘈杂的训练数据所带来的障碍，一个有前景的方向是通过在摘要生成过程中应用过滤器来更好地利用可用的训练数据。本文提出了一种新颖的双向选择性编码模板（BiSET）模型，该模型利用从训练数据中发现的模板来软性选择每篇源文章的关键信息，以指导其摘要生成过程。我们在标准摘要数据集上进行了广泛的实验，结果表明，配备模板的BiSET模型显著提升了摘要性能，并达到了新的最先进水平。
