目下，大模子不错帮你梳理新闻时期线了，以后吃瓜就更不详了！

AI Agent的风，我们赛博乐子东说念主也得吹吹。

这便是来自阿里巴巴通义实验室与上海交通大学的新接头，他们提议了一种基于Agent的新闻时期线摘抄新框架——CHRONOS。

它不仅不错帮你从海量新闻中考究出弥留事件，更弥留的是，它还不错梳理出了了的时期线，以后上网冲浪时各式复杂事件都一目了然。

其中的CHRONOS一词取自希腊听说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，联结检索增强生成本领，从互联网上检索探求事件信息，并生成时期法例的新闻摘抄，为新闻时期线摘抄生成提供了一种全新的措置决议。

先来一说念瞅瞅几个例子。

比如对于新闻“国足1-0巴林”，CHRONOS粗略考究海量新闻，呈现事件的世代相承。

对于粉饰时期更长的新闻“中国探月工程”，CHRONOS也能聚焦要点事件，呈当前期线发展，使得用户粗略一目了然。

补皆怒放域TLS短板

时期线考究（Timeline Summarization， TLS）任务是一种当然谈话处理领域的经典本领挑战，它旨在从无数文本数据中索要要津事件，并依时间法例陈列，以提供对某一主题或领域历史发展的结构化视图。

举例，在新闻领域，时期线考究不错匡助用户快速了解一个新闻事件的世代相承。该任务不仅条目识别出弥留的事件，还需要意会事件之间的时期干系和因果探求，以便生成一个连贯、直率且信息丰富的时期线摘抄。

左证可检索事件的源头，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、与特定主题或领域探求的新闻著作中创建的，而怒放域TLS指的是从互联网上平直搜索和检索新闻著作来生成时期线的经由。

往时的责任东要蚁集于措置禁闭域上时期线生成问题，而怒放域TLS则需要繁密的信息检索和筛选智力，以及在莫得全局视图的情况下识别和设立事件之间探求的智力，为这项任务提议了新的要乞降挑战。

迭代检索的CHRONOS框架

为了搪塞上述挑战，团队提议CHRONOS框架，通过迭代发问进行探求事件检索，生成准确、全面的时期线摘抄，粗略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设立事件之间的时期和因果干系。

每个新闻事件都不错被示意为一个不同的节点，任务的标的是设立这些节点之间的边，以展示它们的探求性，并最终酿成一个异构图，从主题新闻的节点脱手。

因此，通过一个检索机制来检索探求的新闻著作，不错有用设立这些边，酿成事件之间的探求。

2. 轮廓

CHRONOS诈骗大模子的智力，通过模拟东说念主类信息检索的经由，即通过提议问题、基于检索截止进一步提议新的问题，最终聚集对于探求事件的全面信息并考究为时期线。

CHRONOS包括以下几个模块：

自我发问 (Self-Questioning)：率先搜索粗粒度的新闻配景信息，然后迭代地提议问题，以检索更多探求新闻。

问题改写 (Question Rewriting)：将复杂或发扬欠安的问题理会为更具体、更易检索的查询。

时期线生成 (Timeline Generation)：通过消逝每一轮检索生成的时期线来往顾一个超越弥留事件的时期线。

3. 自我发问3.1 粗粒度配景调研

在自我发问的脱手阶段，CHRONOS使用标的新闻的标题行为要津词进行搜索，以聚集与标的新闻最平直探求的信息。

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 发问示例礼聘

在粗粒度配景调研之后，CHRONOS诈骗大模子的高下体裁习智力，通过极少样本教导来领导模子生成对于标的新闻的问题。

为了评估问题样本色量，引入了时序信息量（Chrono-Informativeness， CI）的见地，用来研究模子提议的问题检索与参考时期线对皆事件的智力，即高CI值的问题更有可能领导检索到与标的新闻事件探求的著作，用检索生成的时期线和参考时期线中包含日历的F1分数进行研究。

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，用于领导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探求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，逐渐真切探索事件的细节。

每一轮迭代都基于前一轮的检索截止，以发现新的问题和信息，直到郁勃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方法。

在CHRONOS框架中，团队通过对脱手发问阶段产生的平时或复杂问题改写为2-3个更易于检索的子问题，期货配资粗略生成更具体、更有针对性的查询，从而提高搜索引擎的检索后果。

他们一样在教导中加入极少样本，领导大模子进行有用改写，将复杂问题改革为更具体的查询，同期保抓问题的原始意图。

3.5 时期线生成

CHRONOS通过两阶段生成完好的时期线考究：生成（Generation）和消逝（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详备信息。诈骗大模子的意会和生成智力，索要每个事件的发生辰期和探求细节，并为每个事件撰写直率的刻画。这些事件和刻画被组织成初步的时期线，按照时期法例陈列，为后续的消逝阶段提供基础。

消逝：将多轮检索生成的初步时期线整合成一个连贯的最终摘抄。这仍是由波及对皆不同时间线中的事件、措置任何日历或刻画上的突破，并礼聘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，接头团队还聚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较，Open-TLS不仅在数据集鸿沟和内容上愈加各种化，粉饰政事、经济、社会、体育和科学本领等多个领域，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。

实验截止

1. 实验设定

实验基于GPT-3.5-Turbo、GPT-4和Qwen2.5-72B分离构建CHRONOS系统，评测怒放域和禁闭域两个设定下TLS的性能发扬。使用的评估主义主要有：

ROUGE-N: 研究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：通过将通盘日历摘抄聚合起来筹算ROUGE，以评估合座的一致性；（2）Agree F1：仅使用匹配日历的摘抄筹算ROUGE，以评估特定日历的准确性；（3）Align F1：在筹算ROUGE之前，先左证相似性和日历接近性对预计摘抄和参考摘抄进行对皆，评估对皆后的一致性。

Date F1：研究生成时期线中日历与参考时期线中真确日历匹配进度。

2. 怒放域TLS

在怒放域TLS的实验中，CHRONOS与几个基线方法进行了比较，包括平直搜索标的新闻（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探求新闻著作的方法，显赫提高了事件考究的质料和日历对皆的准确性，在通盘主义上都逾越于基线方法。

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）基于事件团聚方法的CLUST (Gholipour Ghalandari and. Ifrim， 2020);（2）基于事件图模子EGC（Li et al.， 2021）和（3）诈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止披露，CHRONOS达到了与这些责任访佛的发扬，在两个数据集的AR-2主义上获取了SOTA后果，说明了其在不同类型事件和时期跨度上的繁密性能和合乎性。

4. 运行时期分析

CHRONOS的另一个上风体目下遵守方面。

与一样基于大模子、但需要处理新闻库中通盘著作的LLM-TLS方法比较，它通过检索增强机制专注于最探求的新闻著作，显赫减少了处理时期。

这种遵守的提高使其在实验应用中更为实用，尤其是在需要快速反应的场景中。

案例接头：苹果家具发布时期线

团队真切分析了模子在处理具体新闻事件时的发扬，通过礼聘具有代表性的新闻事件，如苹果公司的关键家具发布，粗略不雅察到CHRONOS奈何通过轮回渐进的自我发问和信息检索来生成时期线。

在案例接头中，CHRONOS展示了其粗略准确索要要津事件和日历的智力，同期也揭示了在某些情况下可能需要校正的地点，举例对某些事件的遗漏或日历幻觉。

结语

CHRONOS框架通过联结大型谈话模子的迭代自我发问和检索增强生成本领，为时期线考究任务提供了一种新颖且有用的措置决议。

这种方法的中枢在于模拟东说念主类的信息检索经由，通过遏抑地提议和回应新问题来逐渐真切意会事件，最毕生成一个全面且连贯的时期线摘抄。

实验截止已经充分说明了CHRONOS在复杂事件检索和构建时期线方面的智力，展示了该框架在实验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方法是否具有泛化到通用任务上的智力也值得异日进一步接头。

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 —

• 考究
• 永达
• 模子
• 吃瓜
• 智能