当今，大模子不错帮你梳理新闻时刻线了，以后吃瓜就更便捷了！
AI Agent的风，我们赛博乐子东谈主也得吹吹。
这即是来自阿里巴巴通义实验室与上海交通大学的新筹办，他们提议了一种基于Agent的新闻时刻线摘记新框架——CHRONOS。
它不仅不错帮你从海量新闻中追念出蹙迫事件，更蹙迫的是，它还不错梳理出显着的时刻线，以后上网冲浪时各式复杂事件都一目了然。
其中的CHRONOS一词取自希腊传说中的时刻之神柯罗诺斯。
该框架通过迭代多轮的自我发问格式，团结检索增强生成时候，从互联网上检索关联事件信息，并生成时刻规章的新闻摘记，为新闻时刻线摘记生成提供了一种全新的处治有斟酌。
先来一谈瞅瞅几个例子。
比如对于新闻“国足1-0巴林”，CHRONOS大约追念海量新闻，呈现事件的一脉相易。
对于障翳时刻更长的新闻“中国探月工程”，CHRONOS也能聚焦要点事件，呈当前刻线发展，使得用户大约一目了然。
补皆怒放域TLS短板
时刻线追念（Timeline Summarization, TLS）任务是一种当然谈话处理鸿沟的经典时候挑战，它旨在从无数文本数据中索要关节事件，并依时间规章成列，以提供对某一主题或鸿沟历史发展的结构化视图。
干眼症，又称角结膜干燥症，是一种由于泪液分泌不足、泪液蒸发过快或泪液成分异常而导致的眼部不适症状。据相关统计数据显示，全球范围内干眼症的发病率呈逐年上升趋势。
猫抓病是由汉赛巴尔通体病毒经猫抓、咬后侵入人体而引起的感染性疾病。
举例，在新闻鸿沟，时刻线追念不错匡助用户快速了解一个新闻事件的一脉相易。该任务不仅条目识别出蹙迫的事件，还需要相识事件之间的时刻斟酌和因果斟酌，以便生成一个连贯、浮松且信息丰富的时刻线摘记。
凭据可检索事件的起原，不错将TLS任务细分为闭塞域（closed-domain）和怒放域（open-domain）两个设定：在闭塞域TLS任务中，时刻线是从一组预界说的、与特定主题或鸿沟关联的新闻著述中创建的，而怒放域TLS指的是从互联网上平直搜索和检索新闻著述来生成时刻线的流程。
昔时的责任东要鸠集于处治闭塞域上时刻线生成问题，而怒放域TLS则需要宏大的信息检索和筛选智商，以及在莫得全局视图的情况下识别和竖立事件之间斟酌的智商，为这项任务提议了新的要乞降挑战。
迭代检索的CHRONOS框架
为了应酬上述挑战，团队提议CHRONOS框架，通过迭代发问进行关联事件检索，生成准确、全面的时刻线摘记，大约灵验地处治怒放域和闭塞域两种设定下的TLS任务。
1. 动机
时刻线生成的中枢在于竖立事件之间的时刻和因果斟酌。
每个新闻事件都不错被示意为一个不同的节点，任务的方向是竖立这些节点之间的边，以展示它们的关联性，并最终酿成一个异构图，从主题新闻的节点起先。
因此，通过一个检索机制来检索关联的新闻著述，不错灵验竖立这些边，酿成事件之间的斟酌。
2. 综合
CHRONOS期骗大模子的智商，通过模拟东谈主类信息检索的流程，即通过提议问题、基于检索截至进一步提议新的问题，最终会聚对于关联事件的全面信息并追念为时刻线。
CHRONOS包括以下几个模块：
自我发问 (Self-Questioning)：领先搜索粗粒度的新闻配景信息，然后迭代地提议问题，以检索更多关联新闻。
问题改写 (Question Rewriting)：将复杂或发达欠安的问题理会为更具体、更易检索的查询。
时刻线生成 (Timeline Generation)：通过并吞每一轮检索生成的时刻线来追念一个隆起蹙迫事件的时刻线。
3. 自我发问3.1 粗粒度配景调研
在自我发问的运转阶段，CHRONOS使用方向新闻的标题行为关节词进行搜索，以会聚与方向新闻最平直关联的信息。
这些信息组成了新闻配景（News Context），为自我发问打下初步基础。
3.2 发问示例选拔
在粗粒度配景调研之后，CHRONOS期骗大模子的高下体裁习智商，通过一丝样本教唆来携带模子生成对于方向新闻的问题。
为了评估问题样骨子量，引入了时序信息量（Chrono-Informativeness, CI）的见地，用来揣测模子提议的问题检索与参考时刻线对皆事件的智商，即高CI值的问题更有可能教化检索到与方向新闻事件关联的著述，用检索生成的时刻线和参考时刻线中包含日历的F1分数进行揣测。
基于最大化问题集时序信息量的方向，构建一个“新闻-问题”的示例池，用于携带新方向新闻的问题生成。
对于每个新的方向新闻，通过余弦相似性动态检索与方向新闻最相似的样本，确保了样本的高下文关联性和时刻信息的准确性。
3.3 迭代发问
CHRONOS通过连气儿迭代发问，冉冉长远探索事件的细节。
每一轮迭代都基于前一轮的检索截至，以发现新的问题和信息，直到恬逸时刻线中事件数目或达到最大迭代次数。
3.4 问题改写
查询改写（Query Rewriting）是检索增强生成中常用的优化行径。
在CHRONOS框架中，团队通过对运转发问阶段产生的平日或复杂问题改写为2-3个更易于检索的子问题，大约生成更具体、更有针对性的查询，从而提高搜索引擎的检索遵守。
他们不异在教唆中加入一丝样本，携带大模子进行灵验改写，将复杂问题攻击为更具体的查询，同期保捏问题的原始意图。
3.5 时刻线生成
CHRONOS通过两阶段生成完竣的时刻线追念：生成（Generation）和并吞（Merging）。
生成：通过分析每一轮检索到的新闻著述来识别关节事件和真贵信息。期骗大模子的相识和生成智商，索要每个事件的发寿辰期和关联细节，并为每个事件撰写浮松的面容。这些事件和面容被组织成初步的时刻线，按照时刻规章成列，为后续的并吞阶段提供基础。
并吞：将多轮检索生成的初步时刻线整合成一个连贯的最终摘记。这一流程触及对皆不同时间线中的事件、处治任何日历或面容上的突破，并选拔最具代表性和蹙迫性的事件。
全新数据集OPEN-TLS
为了评估TLS系统，筹办团队还会聚了由专科记者撰写的对于近期新闻事件的时刻线，构建了一个名为Open-TLS的新数据集。
与以往闭塞域的数据集比较，Open-TLS不仅在数据集限制和内容上愈加各种化，障翳政事、经济、社会、体育和科学时候等多个鸿沟，况兼在时效性上更具上风，为怒放域TLS任务提供了一个更全面和更具挑战性的基准。
实验截至
1. 实验设定
实验基于GPT-3.5-Turbo、GPT-4和Qwen2.5-72B区分构建CHRONOS系统，评测怒放域和闭塞域两个设定下TLS的性能发达。使用的评估方针主要有：
ROUGE-N: 揣测生成时刻线和参考时刻线之间的N-gram重迭。具体包括：（1）Concat F1：通过将扫数日历摘记连合起来计较ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的摘记计较ROUGE，以评估特定日历的准确性；（3）Align F1：在计较ROUGE之前，先凭据相似性和日历接近性对展望摘记和参考摘记进行对皆，评估对皆后的一致性。
Date F1：揣测生成时刻线中日历与参考时刻线中信得过日历匹配进程。
2. 怒放域TLS
在怒放域TLS的实验中，CHRONOS与几个基线行径进行了比较，包括平直搜索方向新闻（DIRECT）和重写方向新闻以创建查询用于检索（REWRITE）。
对比之下，CHRONOS通过迭代自我发问和检索关联新闻著述的行径，权贵提高了事件追念的质地和日历对皆的准确性，在扫数方针上都跨越于基线行径。
3. 闭塞域TLS
在闭塞域TLS的实验中，CHRONOS与之前的代表性责任进行了比较，包括：（1）基于事件团员行径的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）期骗大模子进行事件聚类的LLM-TLS（Hu et al., 2024）。
在Crisis和T17这两个经典数据集上的比较截至领会，CHRONOS达到了与这些责任雷同的发达，在两个数据集的AR-2方针上赢得了SOTA遵守，施展了其在不同类型事件和时刻跨度上的宏大性能和允洽性。
4. 运行时刻分析
CHRONOS的另一个上风体当今遵守方面。
与不异基于大模子、但需要处理新闻库中扫数著述的LLM-TLS行径比较，它通过检索增强机制专注于最关联的新闻著述，权贵减少了处理时刻。
这种遵守的教诲使其在实践应用中更为实用，尤其是在需要快速反映的场景中。
案例筹办：苹果居品发布时刻线
团队长远分析了模子在处理具体新闻事件时的发达，通过选拔具有代表性的新闻事件，如苹果公司的要紧居品发布，大约不雅察到CHRONOS怎样通过按部就班的自我发问和信息检索来生成时刻线。
在案例筹办中，CHRONOS展示了其大约准确索要关节事件和日历的智商，同期也揭示了在某些情况下可能需要改良的所在，举例对某些事件的遗漏或日历幻觉。
结语
CHRONOS框架通过团结大型谈话模子的迭代自我发问和检索增强生成时候，为时刻线追念任务提供了一种新颖且灵验的处治有斟酌。
这种行径的中枢在于模拟东谈主类的信息检索流程，通过握住地提议和回复新问题来冉冉长远相识事件，最终身成一个全面且连贯的时刻线摘记。
实验截至仍是充分施展了CHRONOS在复杂事件检索和构建时刻线方面的智商，展示了该框架在实践新闻时刻线生成应用中的应用后劲和准确性。
同期，这种迭代发问的检索生成行径是否具有泛化到通用任务上的智商也值得将来进一步筹办。
Reference:
[1] Demian Gholipour Ghalandari and Georgiana Ifrim. 2020. Examining the state-of-the-art in news timeline summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 1322–1334, Online. Association for Computational Linguistics.
[2] Manling Li, Tengfei Ma, Mo Yu, Lingfei Wu, Tian Gao, Heng Ji, and Kathleen McKeown. 2021. Timeline summarization based on event graph compression via time-aware optimal transport. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, pages 6443–6456, Online and Punta Cana, Dominican Republic. Association for Computational Linguistics.
[3] Qisheng Hu, Geonsik Moon, and Hwee Tou Ng. 2024. From moments to milestones: Incremental timeline summarization leveraging large language models. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 7232–7246, Bangkok, Thailand. Association for Computational Linguistics.
— 完 —香港六合彩直播网址