万博manbext体育官网app娱乐基于最大化问题集时序信息量的地点-万博manbext体育官网(中国)官方网站在线登录入口

面前万博manbext体育官网app娱乐，大模子不错帮你梳理新闻时期线了，以后吃瓜就更约略了！

AI Agent 的风，我们赛博乐子东说念主也得吹吹。

这等于来自阿里巴巴通义实验室与上海交通大学的新推敲，他们建议了一种基于 Agent 的新闻时期线纲目新框架——CHRONOS。

它不仅不错帮你从海量新闻中回想出伏击事件，更伏击的是，它还不错梳理出明晰的时期线，以后上网冲浪时各式复杂事件都一目了然。

其中的 CHRONOS 一词取自希腊传闻中的时期之神柯罗诺斯。

该框架通过迭代多轮的自我发问形态，结合检索增强生成本事，从互联网上检索关系事件信息，并生成时期轨则的新闻纲目，为新闻时期线纲目生成提供了一种全新的搞定决策。

先来一说念瞅瞅几个例子。

比如对于新闻"国足 1-0 巴林"，CHRONOS 省略回想海量新闻，呈现事件的一脉相承。

对于遮蔽时期更长的新闻"中国探月工程"，CHRONOS 也能聚焦重隐痛件，呈面前期线发展，使得用户省略一目了然。

补皆绽开域 TLS 短板

时期线回想（Timeline Summarization, TLS）任务是一种当然讲话处理规模的经典本事挑战，它旨在从宽绰文本数据中索要要津事件，并如时间轨则成列，以提供对某一主题或规模历史发展的结构化视图。

举例，在新闻规模，时期线回想不错匡助用户快速了解一个新闻事件的一脉相承。该任务不仅条件识别出伏击的事件，还需次第路事件之间的时期关系和因果接洽，以便生成一个连贯、粗略且信息丰富的时期线纲目。

证据可检索事件的开头，不错将 TLS 任务细分为闭塞域（closed-domain）和绽开域（open-domain）两个设定：在闭塞域 TLS 任务中，时期线是从一组预界说的、与特定主题或规模关系的新闻著作中创建的，而绽开域 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经由。

曩昔的责任东要结合于搞定闭塞域上时期线生成问题，而绽开域 TLS 则需要重大的信息检索和筛选才调，以及在莫得全局视图的情况下识别和设置事件之间接洽的才调，为这项任务建议了新的要乞降挑战。

迭代检索的 CHRONOS 框架

为了应酬上述挑战，团队建议 CHRONOS 框架，通过迭代发问进行关系事件检索，生成准确、全面的时期线纲目，省略有用地搞定绽开域和闭塞域两种设定下的 TLS 任务。

1. 动机

时期线生成的中枢在于设置事件之间的时期和因果关系。

每个新闻事件都不错被暗意为一个不同的节点，任务的地点是设置这些节点之间的边，以展示它们的关系性，并最终造成一个异构图，从主题新闻的节点出手。

因此，通过一个检索机制来检索关系的新闻著作，不错有用设置这些边，造成事件之间的接洽。

2. 详尽

CHRONOS 运用大模子的才调，通过模拟东说念主类信息检索的经由，即通过建议问题、基于检索适度进一步建议新的问题，最终收罗对于关系事件的全面信息并回想为时期线。

CHRONOS 包括以下几个模块：

自我发问 ( Self-Questioning ) ：最初搜索粗粒度的新闻配景信息，然后迭代地建议问题，以检索更多关系新闻。

问题改写 ( Question Rewriting ) ：将复杂或阐明欠安的问题理解为更具体、更易检索的查询。

时期线生成 ( Timeline Generation ) ：通过归并每一轮检索生成的时期线走动首一个凸升沉击事件的时期线。

3. 自我发问 3.1 粗粒度配景调研

在自我发问的出手阶段，CHRONOS 使用地点新闻的标题动作要津词进行搜索，以收罗与地点新闻最径直关系的信息。

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 发问示例接纳

在粗粒度配景调研之后，CHRONOS 运用大模子的障碍体裁习才调，通过少许样本教唆来指挥模子生成对于地点新闻的问题。

为了评估问题样本体量，引入了时序信息量（Chrono-Informativeness, CI）的想法，用来料想模子建议的问题检索与参考时期线对皆事件的才调，即高 CI 值的问题更有可能指挥检索到与地点新闻事件关系的著作，用检索生成的时期线和参考时期线中包含日历的 F1 分数进行料想。

基于最大化问题集时序信息量的地点，构建一个"新闻 - 问题"的示例池，用于指挥新地点新闻的问题生成。

对于每个新的地点新闻，通过余弦相似性动态检索与地点新闻最相似的样本，确保了样本的障碍文关系性和时期信息的准确性。

3.3 迭代发问

CHRONOS 通过一语气迭代发问，迟缓潜入探索事件的细节。

每一轮迭代都基于前一轮的检索适度，以发现新的问题和信息，直到餍足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武艺。

在 CHRONOS 框架中，团队通过对出手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，省略生成更具体、更有针对性的查询，从而提高搜索引擎的检索后果。

他们相通在教唆中加入少许样本，指挥大模子进行有用改写，将复杂问题转机为更具体的查询，同期保握问题的原始意图。

3.5 时期线生成

CHRONOS 通过两阶段生成齐全的时期线回想：生成（Generation）和归并（Merging）。

生成：通过分析每一轮检索到的新闻著作来识别要津事件和瞩目信息。运用大模子的表现和生成才调，索要每个事件的发诞辰期和关系细节，并为每个事件撰写粗略的形容。这些事件和形容被组织成初步的时期线，按照时期轨则成列，为后续的归并阶段提供基础。

归并：将多轮检索生成的初步时期线整合成一个连贯的最终纲目。这仍是由触及对皆不同时间线中的事件、搞定任何日历或形容上的打扰，并接纳最具代表性和伏击性的事件。

全新数据集 OPEN-TLS

为了评估 TLS 系统，推敲团队还收罗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。

与以往闭塞域的数据集比拟，Open-TLS 不仅在数据集范围和内容上愈加万般化，遮蔽政事、经济、社会、体育和科学本事等多个规模，何况在时效性上更具上风，为绽开域 TLS 任务提供了一个更全面和更具挑战性的基准。

实验适度 1. 实验设定

实验基于 GPT-3.5-Turbo、GPT-4 和 Qwen2.5-72B 远隔构建 CHRONOS 系统，评测绽开域和闭塞域两个设定下 TLS 的性能阐明。使用的评估地点主要有：

ROUGE-N: 料想生成时期线和参考时期线之间的 N-gram 叠加。具体包括：（1）Concat F1：通过将悉数日历纲目招引起来计划 ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的纲目计划 ROUGE，以评估特定日历的准确性；（3）Align F1：在计划 ROUGE 之前，先证据相似性和日历接近性对预计纲目和参考纲目进行对皆，评估对皆后的一致性。

Date F1：料想生成时期线中日历与参考时期线中的确日历匹配进程。

2. 绽开域 TLS

在绽开域 TLS 的实验中，CHRONOS 与几个基线武艺进行了比较，包括径直搜索地点新闻（DIRECT）和重写地点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系新闻著作的武艺，显赫提高了事件回想的质料和日历对皆的准确性，在悉数地点上都跳动于基线武艺。

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）基于事件团员武艺的 CLUST ( Gholipour Ghalandari and. Ifrim, 2020 ) ;（2）基于事件图模子 EGC（Li et al., 2021）和（3）运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适度泄露，CHRONOS 达到了与这些责任访佛的阐明，在两个数据集的 AR-2 地点上获得了 SOTA 后果，讲授了其在不同类型事件和时期跨度上的重大性能和符合性。

4. 运行时期分析

CHRONOS 的另一个上风体面前着力方面。

与相通基于大模子、但需要处理新闻库中悉数著作的 LLM-TLS 武艺比拟，它通过检索增强机制专注于最关系的新闻著作，显赫减少了处理时期。

这种着力的普及使其在施行应用中更为实用，尤其是在需要快速反应的场景中。

案例推敲：苹果家具发布时期线

团队潜入分析了模子在处理具体新闻事件时的阐明，通过接纳具有代表性的新闻事件，如苹果公司的要害家具发布，省略不雅察到 CHRONOS 怎样通过由表及里的自我发问和信息检索来生成时期线。

在案例推敲中，CHRONOS 展示了其省略准确索要要津事件和日历的才调，同期也揭示了在某些情况下可能需要改变的地方，举例对某些事件的遗漏或日历幻觉。

结语

CHRONOS 框架通过结合大型讲话模子的迭代自我发问和检索增强生成本事，为时期线回想任务提供了一种新颖且有用的搞定决策。

这种武艺的中枢在于模拟东说念主类的信息检索经由，通过不休地建议和回答新问题来迟缓潜入表现事件，最终身成一个全面且连贯的时期线纲目。

实验适度已经充分讲授了 CHRONOS 在复杂事件检索和构建时期线方面的才调，展示了该框架在施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武艺是否具有泛化到通用任务上的才调也值得畴昔进一步推敲。

论文：https://arxiv.org/abs/2501.00888

Github:   https://github.com/Alibaba-NLP/CHRONOS

Demo:   https://modelscope.cn/studios/vickywu1022/CHRONOS

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  —

投稿请发邮件到：

ai@qbitai.com

标题注明【投稿】，告诉我们：

你是谁，从哪来，投稿内容‍

附上论文 / 技俩主页贯穿，以及接洽形态哦

我们会（尽量）实时修起你

点这里� � 热心我，难忘标星哦～

一键三连「共享」、「点赞」和「在看」

科技前沿进展日日邂逅 ~