当今，大模子不错帮你梳理新闻时期线了，以后吃瓜就更浅显了！
AI Agent的风，我们赛博乐子东谈主也得吹吹。
这便是来自阿里巴巴通义实验室与上海交通大学的新商榷，他们建议了一种基于Agent的新闻时期线摘录新框架——CHRONOS。
它不仅不错帮你从海量新闻中讲求出弥留事件，更弥留的是，它还不错梳理出明晰的时期线，以后上网冲浪时种种复杂事件都一目了然。
其中的CHRONOS一词取自希腊外传中的时期之神柯罗诺斯。
该框架通过迭代多轮的自我发问时势，相接检索增强生成技能，从互联网上检索筹商事件信息，并生成时期法律解释的新闻摘录，为新闻时期线摘录生成提供了一种全新的措置决策。
先来一皆瞅瞅几个例子。
比如对于新闻“国足1-0巴林”，CHRONOS概况讲求海量新闻，呈现事件的一脉疏通。
对于笼罩时期更长的新闻“中国探月工程”，CHRONOS也能聚焦要点事件，呈刻下期线发展，使得用户概况一目了然。
补皆怒放域TLS短板
时期线讲求（Timeline Summarization, TLS）任务是一种当然说话处理鸿沟的经典技能挑战，它旨在从大量文本数据中索求关节事件，并按时期法律解释陈列，以提供对某一主题或鸿沟历史发展的结构化视图。
举例，在新闻鸿沟，时期线讲求不错匡助用户快速了解一个新闻事件的一脉疏通。该任务不仅条款识别出弥留的事件，还需要救援事件之间的时期筹商和因果筹商，以便生成一个连贯、简略且信息丰富的时期线摘录。
把柄可检索事件的起首，不错将TLS任务细分为禁闭域（closed-domain）和怒放域（open-domain）两个设定：在禁闭域TLS任务中，时期线是从一组预界说的、与特定主题或鸿沟筹商的新闻著作中创建的，而怒放域TLS指的是从互联网上径直搜索和检索新闻著作来生成时期线的进程。
畴前的责任东要靠拢于措置禁闭域上时期线生成问题，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筹商的智商，为这项任务建议了新的要乞降挑战。
迭代检索的CHRONOS框架
为了应付上述挑战，团队建议CHRONOS框架，通过迭代发问进行筹商事件检索，生成准确、全面的时期线摘录，概况有用地措置怒放域和禁闭域两种设定下的TLS任务。
1. 动机
时期线生成的中枢在于竖立事件之间的时期和因果筹商。
每个新闻事件都不错被暗示为一个不同的节点，任务的标的是竖立这些节点之间的边，以展示它们的筹商性，并最终酿成一个异构图，从主题新闻的节点最先。
因此，通过一个检索机制来检索筹商的新闻著作，不错有用竖立这些边，酿成事件之间的筹商。
2. 详尽
CHRONOS应用大模子的智商，通过模拟东谈主类信息检索的进程，即通过建议问题、基于检索截至进一步建议新的问题，最终采集对于筹商事件的全面信息并讲求为时期线。
CHRONOS包括以下几个模块：
自我发问 (Self-Questioning)：当先搜索粗粒度的新闻布景信息，然后迭代地建议问题，以检索更多筹商新闻。
问题改写 (Question Rewriting)：将复杂或弘扬欠安的问题解析为更具体、更易检索的查询。
时期线生成 (Timeline Generation)：通过兼并每一轮检索生成的时期线来去首一个止境弥留事件的时期线。
3. 自我发问3.1 粗粒度布景调研
在自我发问的启动阶段，CHRONOS使用标的新闻的标题算作关节词进行搜索，以采集与标的新闻最径直筹商的信息。
这些信息组成了新闻布景（News Context），为自我发问打下初步基础。
3.2 发问示例聘用
在粗粒度布景调研之后，CHRONOS应用大模子的高下文体习智商，通过极少样本辅导来携带模子生成对于标的新闻的问题。
为了评估问题样实质地，引入了时序信息量（Chrono-Informativeness, CI）的见识，用来商酌模子建议的问题检索与参考时期线对皆事件的智商，即高CI值的问题更有可能指点检索到与标的新闻事件筹商的著作，用检索生成的时期线和参考时期线中包含日历的F1分数进行商酌。
基于最大化问题集时序信息量的标的，构建一个“新闻-问题”的示例池，用于携带新标的新闻的问题生成。
对于每个新的标的新闻，通过余弦相似性动态检索与标的新闻最相似的样本，确保了样本的高下文筹商性和时期信息的准确性。
3.3 迭代发问
CHRONOS通过连气儿迭代发问，逐渐深远探索事件的细节。
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，直到称心时期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法子。
在CHRONOS框架中，团队通过对启动发问阶段产生的平方或复杂问题改写为2-3个更易于检索的子问题，概况生成更具体、更有针对性的查询，从而提高搜索引擎的检索恶果。
他们一样在辅导中加入极少样本，携带大模子进行有用改写，将复杂问题转动为更具体的查询，同期保执问题的原始意图。
3.5 时期线生成
CHRONOS通过两阶段生成完好的时期线讲求：生成（Generation）和兼并（Merging）。
生成：通过分析每一轮检索到的新闻著作来识别关节事件和详备信息。应用大模子的救援和生成智商，索求每个事件的发生辰期和筹商细节，并为每个事件撰写简略的形容。这些事件和形容被组织成初步的时期线，按照时期法律解释陈列，为后续的兼并阶段提供基础。
兼并：将多轮检索生成的初步时期线整合成一个连贯的最终摘录。这一进程波及对皆不同时期线中的事件、措置任何日历或形容上的突破，并聘用最具代表性和弥留性的事件。
全新数据集OPEN-TLS
为了评估TLS系统，商榷团队还采集了由专科记者撰写的对于近期新闻事件的时期线，构建了一个名为Open-TLS的新数据集。
与以往禁闭域的数据集比拟，Open-TLS不仅在数据集鸿沟和内容上愈加种种化，笼罩政事、经济、社会、体育和科学技能等多个鸿沟，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分辩构建CHRONOS系统，评测怒放域和禁闭域两个设定下TLS的性能弘扬。使用的评揣度划主要有：
ROUGE-N: 商酌生成时期线和参考时期线之间的N-gram访佛。具体包括：（1）Concat F1：通过将通盘日历摘录聚拢起来算计ROUGE，以评估合座的一致性；（2）Agree F1：仅使用匹配日历的摘录算计ROUGE，以评估特定日历的准确性；（3）Align F1：在算计ROUGE之前，先把柄相似性和日历接近性对预计摘录和参考摘录进行对皆，评估对皆后的一致性。
Date F1：商酌生成时期线中日历与参考时期线中果然日历匹配进程。
2. 怒放域TLS
在怒放域TLS的实验中，CHRONOS与几个基线法子进行了比较，包括径直搜索标的新闻（DIRECT）和重写标的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筹商新闻著作的法子，显赫提高了事件讲求的质地和日历对皆的准确性，在所打算上都跳跃于基线法子。
3. 禁闭域TLS
在禁闭域TLS的实验中，CHRONOS与之前的代表性责任进行了比较，包括：（1）基于事件团员法子的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）应用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裸露，CHRONOS达到了与这些责任类似的弘扬，在两个数据集的AR-2运筹帷幄上赢得了SOTA恶果，讲明了其在不同类型事件和时期跨度上的宏大性能和合适性。
4. 运行时期分析
CHRONOS的另一个上风体当今效劳方面。
与一样基于大模子、但需要处理新闻库中通盘著作的LLM-TLS法子比拟，它通过检索增强机制专注于最筹商的新闻著作，显赫减少了处理时期。
这种效劳的晋升使其在推行应用中更为实用，尤其是在需要快速反应的场景中。
案例商榷：苹果产物发布时期线
团队深远分析了模子在处理具体新闻事件时的弘扬，通过聘用具有代表性的新闻事件，如苹果公司的紧要产物发布，概况不雅察到CHRONOS奈何通过由表及里的自我发问和信息检索来生成时期线。
在案例商榷中，CHRONOS展示了其概况准确索求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转换的所在，举例对某些事件的遗漏或日历幻觉。
结语
CHRONOS框架通过相接大型说话模子的迭代自我发问和检索增强生成技能，为时期线讲求任务提供了一种新颖且有用的措置决策。
陈幸同为何会被球迷追骂呢？首先是陈幸同和之间对话曝光。在和覃予萱的比赛中，王曼昱因为一个争议的二碰球和孙颖莎、裁判等人发生了激烈的交流，这也让王曼昱在决胜局拿到第10分的时候做出了怒吼和摊手的举动，而在王曼昱现身覃予萱拿下比赛之后，当她来到球员席的时候，陈幸同对着王曼昱说：“你真牛，和上万人对着干。”陈幸同的这句话被很多球迷认为是挑拨离间，也有的球迷认为陈幸同这话让好好一场比赛，瞬间变味了，也是因为如此，赛后，很多球迷开始追着陈幸同骂。
这种法子的中枢在于模拟东谈主类的信息检索进程，通过握住地建议和回应新问题来逐渐深远救援事件，最毕生成一个全面且连贯的时期线摘录。
实验截至照旧充分讲明了CHRONOS在复杂事件检索和构建时期线方面的智商，展示了该框架在推行新闻时期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法子是否具有泛化到通用任务上的智商也值得改日进一步商榷。
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 —澳门六合彩历史开奖结果