当今CYL699.VIP，大模子不错帮你梳理新闻时候线了，以后吃瓜就更便捷了！

AI Agent的风，我们赛博乐子东说念主也得吹吹。

这即是来自阿里巴巴通义实验室与上海交通大学的新商议，他们提议了一种基于Agent的新闻时候线摘抄新框架——CHRONOS。

它不仅不错帮你从海量新闻中精良出进攻事件，更进攻的是，它还不错梳理出明晰的时候线，以后上网冲浪时各种复杂事件都一目了然。

其中的CHRONOS一词取自希腊听说中的时候之神柯罗诺斯。

该框架通过迭代多轮的自我发问相貌，聚会检索增强生成技能，从互联网上检索关联事件信息，并生成时候轨则的新闻摘抄，为新闻时候线摘抄生成提供了一种全新的惩处决策。

先来通盘瞅瞅几个例子。

比如对于新闻“国足1-0巴林”，CHRONOS或者精良海量新闻，呈现事件的来因去果。

对于隐痛时候更长的新闻“中国探月工程”，CHRONOS也能聚焦要点事件，呈当前候线发展，使得用户或者一目了然。

补都敞开域TLS短板

时候线精良（Timeline Summarization, TLS）任务是一种当然言语处理范畴的经典技能挑战，它旨在从多半文本数据中索要要津事件，并依时间轨则胪列，以提供对某一主题或范畴历史发展的结构化视图。

举例，在新闻范畴，时候线精良不错匡助用户快速了解一个新闻事件的来因去果。该任务不仅条目识别出进攻的事件，还需要延续事件之间的时候关系和因果沟通，以便生成一个连贯、精真金不怕火且信息丰富的时候线摘抄。

左证可检索事件的开始，不错将TLS任务细分为闭塞域（closed-domain）和敞开域（open-domain）两个设定：在闭塞域TLS任务中，时候线是从一组预界说的、与特定主题或范畴关联的新闻著述中创建的，而敞开域TLS指的是从互联网上平直搜索和检索新闻著述来生成时候线的经过。

昔日的职责东要集中于惩处闭塞域上时候线生成问题，而敞开域TLS则需要弘大的信息检索和筛选技艺，以及在莫得全局视图的情况下识别和建筑事件之障碍洽的技艺，为这项任务提议了新的要乞降挑战。

迭代检索的CHRONOS框架

为了大意上述挑战，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、全面的时候线摘抄，或者有用地惩处敞开域和闭塞域两种设定下的TLS任务。

1. 动机

时候线生成的中枢在于建筑事件之间的时候和因果关系。

每个新闻事件都不错被暗示为一个不同的节点，任务的方向是建筑这些节点之间的边，以展示它们的关联性，并最终变成一个异构图，从主题新闻的节点发轫。

因此，通过一个检索机制来检索关联的新闻著述，不错有用建筑这些边，变成事件之间的沟通。

2. 空洞

CHRONOS哄骗大模子的技艺，通过模拟东说念主类信息检索的经过，即通过提议问题、基于检索欺压进一步提议新的问题，最终网罗对于关联事件的全面信息并精良为时候线。

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CYL699.VIP，然后迭代地提议问题，以检索更多关联新闻。

问题改写 (Question Rewriting)：将复杂或涌现欠安的问题认识为更具体、更易检索的查询。

时候线生成 (Timeline Generation)：通过淹没每一轮检索生成的时候线来精良一个隆起进攻事件的时候线。

3. 自我发问3.1 粗粒度配景调研

在自我发问的发轫阶段，CHRONOS使用方向新闻的标题看成要津词进行搜索，以网罗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 发问示例接管

在粗粒度配景调研之后，CHRONOS哄骗大模子的高下文体习技艺，通过极少样本辅导来带领模子生成对于方向新闻的问题。

为了评估问题样内容量，引入了时序信息量（Chrono-Informativeness, CI）的观点，用来估计模子提议的问题检索与参考时候线对都事件的技艺，即高CI值的问题更有可能不异检索到与方向新闻事件关联的著述，用检索生成的时候线和参考时候线中包含日历的F1分数进行估计。

基于最大化问题集时序信息量的方向，彩娱乐官网构建一个“新闻-问题”的示例池，用于带领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候信息的准确性。

3.3 迭代发问

CHRONOS通过连气儿迭代发问，渐渐深刻探索事件的细节。

每一轮迭代都基于前一轮的检索欺压，以发现新的问题和信息，直到舒适时候线中事件数目或达到最大迭代次数。

3.4 问题改写

掌上梅州讯 12月22日上午，电影《一生何球》开机仪式在梅州市大埔县百侯名镇旅游区举行。

查询改写（Query Rewriting）是检索增强生成中常用的优化步伐。

在CHRONOS框架中，团队通过对发轫发问阶段产生的往常或复杂问题改写为2-3个更易于检索的子问题，或者生成更具体、更有针对性的查询，从而提高搜索引擎的检索后果。

他们同样在辅导中加入极少样本，带领大模子进行有用改写，将复杂问题退换为更具体的查询，同期保捏问题的原始意图。

3.5 时候线生成

CHRONOS通过两阶段生成齐全的时候线精良：生成（Generation）和淹没（Merging）。

生成：通过分析每一轮检索到的新闻著述来识别要津事件和正式信息。哄骗大模子的延续和生成技艺，索要每个事件的发诞辰期和关联细节，并为每个事件撰写精真金不怕火的描写。这些事件和描写被组织成初步的时候线，按照时候轨则胪列，为后续的淹没阶段提供基础。

淹没：将多轮检索生成的初步时候线整合成一个连贯的最终摘抄。这也曾过波及对都不同时间线中的事件、惩处任何日历或描写上的突破，并接管最具代表性和进攻性的事件。

全新数据集OPEN-TLS

为了评估TLS系统，商议团队还网罗了由专科记者撰写的对于近期新闻事件的时候线，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不仅在数据集限度和内容上愈加各种化，隐痛政事、经济、社会、体育和科学技能等多个范畴，何况在时效性上更具上风，为敞开域TLS任务提供了一个更全面和更具挑战性的基准。

实验欺压

1. 实验设定

实验基于GPT-3.5-Turbo、GPT-4和Qwen2.5-72B分袂构建CHRONOS系统，评测敞开域和闭塞域两个设定下TLS的性能涌现。使用的评估主见主要有：

ROUGE-N: 估计生成时候线和参考时候线之间的N-gram相通。具体包括：（1）Concat F1：通过将通盘日历摘抄团结起来计较ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的摘抄计较ROUGE，以评估特定日历的准确性；（3）Align F1：在计较ROUGE之前，先左证相似性和日历接近性对展望摘抄和参考摘抄进行对都，评估对都后的一致性。

Date F1：估计生成时候线中日历与参考时候线中信得过日历匹配进度。

2. 敞开域TLS

在敞开域TLS的实验中，CHRONOS与几个基线步伐进行了比较，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步伐，显赫提高了事件精良的质料和日历对都的准确性，在通盘主见上都逾越于基线步伐。

3. 闭塞域TLS

在闭塞域TLS的实验中，CHRONOS与之前的代表性职责进行了比较，包括：（1）基于事件团员步伐的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）哄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欺压清醒，CHRONOS达到了与这些职责访佛的涌现，在两个数据集的AR-2主见上获取了SOTA后果，讲解注解了其在不同类型事件和时候跨度上的弘大性能和相宜性。

4. 运行时候分析

CHRONOS的另一个上风体当今效用方面。

与同样基于大模子、但需要处理新闻库中通盘著述的LLM-TLS步伐比拟，它通过检索增强机制专注于最关联的新闻著述，显赫减少了处理时候。

这种效用的栽培使其在执行应用中更为实用，尤其是在需要快速反应的场景中。

案例商议：苹果产物发布时候线

团队深刻分析了模子在处理具体新闻事件时的涌现，通过接管具有代表性的新闻事件，如苹果公司的首要产物发布，或者不雅察到CHRONOS如何通过行远自迩的自我发问和信息检索来生成时候线。

在案例商议中，CHRONOS展示了其或者准确索要要津事件和日历的技艺，同期也揭示了在某些情况下可能需要蜕变的场地，举例对某些事件的遗漏或日历幻觉。

结语

CHRONOS框架通过聚会大型言语模子的迭代自我发问和检索增强生成技能，为时候线精良任务提供了一种新颖且有用的惩处决策。

这种步伐的中枢在于模拟东说念主类的信息检索经过，通过束缚地提议和恢复新问题来渐渐深刻延续事件，最终身成一个全面且连贯的时候线摘抄。

实验欺压已经充分讲解注解了CHRONOS在复杂事件检索和构建时候线方面的技艺，展示了该框架在执行新闻时候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步伐是否具有泛化到通用任务上的技艺也值得改日进一步商议。

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 —CYL699.VIP