面前CYL588.VIP，大模子不错帮你梳理新闻时辰线了，以后吃瓜就更浅近了！
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议，他们建议了一种基于Agent的新闻时辰线摘抄新框架——CHRONOS。
它不仅不错帮你从海量新闻中纪念出垂死事件，更垂死的是，它还不错梳理出明显的时辰线，以后上网冲浪时各式复杂事件都一目了然。
其中的CHRONOS一词取自希腊别传中的时辰之神柯罗诺斯。
该框架通过迭代多轮的自我发问神志，集合检索增强生成技巧，从互联网上检索关连事件信息，并生成时辰纪律的新闻摘抄，为新闻时辰线摘抄生成提供了一种全新的经管决议。
先来通盘瞅瞅几个例子。
比如对于新闻“国足1-0巴林”，CHRONOS不祥纪念海量新闻，呈现事件的世代相承。
对于遮盖时辰更长的新闻“中国探月工程”，CHRONOS也能聚焦重隐痛件，呈刻下辰线发展，使得用户不祥一目了然。
补皆洞开域TLS短板
时辰线纪念（Timeline Summarization, TLS）任务是一种当然言语处理边界的经典技巧挑战，它旨在从大都文本数据中索要关节事件，并按时代纪律罗列，以提供对某一主题或边界历史发展的结构化视图。
举例，在新闻边界，时辰线纪念不错匡助用户快速了解一个新闻事件的世代相承。该任务不仅条件识别出垂死的事件，还需秩序路事件之间的时辰关系和因果计划，以便生成一个连贯、唐突且信息丰富的时辰线摘抄。
凭证可检索事件的起首，不错将TLS任务细分为阻塞域（closed-domain）和洞开域（open-domain）两个设定：在阻塞域TLS任务中，时辰线是从一组预界说的、与特定主题或边界关连的新闻著述中创建的，而洞开域TLS指的是从互联网上径直搜索和检索新闻著述来生成时辰线的经过。
畴昔的责任东要集中于经管阻塞域上时辰线生成问题，而洞开域TLS则需要弘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开垦事件之间计划的智商，为这项任务建议了新的要乞降挑战。
迭代检索的CHRONOS框架
为了应酬上述挑战，团队建议CHRONOS框架，通过迭代发问进行关连事件检索，生成准确、全面的时辰线摘抄，不祥灵验地经管洞开域和阻塞域两种设定下的TLS任务。
1. 动机
时辰线生成的中枢在于开垦事件之间的时辰和因果关系。
每个新闻事件都不错被默示为一个不同的节点，任务的方向是开垦这些节点之间的边，以展示它们的关连性，并最终酿成一个异构图，从主题新闻的节点出手。
因此，通过一个检索机制来检索关连的新闻著述，不错灵验开垦这些边，酿成事件之间的计划。
2. 空洞
CHRONOS愚弄大模子的智商，通过模拟东谈主类信息检索的经过，即通过建议问题、基于检索为止进一步建议新的问题，最终收罗对于关连事件的全面信息并纪念为时辰线。
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配景信息CYL588.VIP，然后迭代地建议问题，以检索更多关连新闻。
问题改写 (Question Rewriting)：将复杂或发扬欠安的问题瓦解为更具体、更易检索的查询。
时辰线生成 (Timeline Generation)：通过并吞每一轮检索生成的时辰线来纪念一个隆起垂死事件的时辰线。
3. 自我发问3.1 粗粒度配景调研
在自我发问的运行阶段，CHRONOS使用方向新闻的标题四肢关节词进行搜索，以收罗与方向新闻最径直关连的信息。
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愚弄大模子的高下体裁习智商，通过极少样本提醒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，用来估量模子建议的问题检索与参考时辰线对皆事件的智商，即高CI值的问题更有可能率领检索到与方向新闻事件关连的著述，用检索生成的时辰线和参考时辰线中包含日历的F1分数进行估量。
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，用于带领新方向新闻的问题生成。
对于每个新的方向新闻，彩娱乐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连性和时辰信息的准确性。
3.3 迭代发问
CHRONOS通过连气儿迭代发问，逐渐久了探索事件的细节。
每一轮迭代都基于前一轮的检索为止，以发现新的问题和信息，直到欣忭时辰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秩序。
在CHRONOS框架中，团队通过对运行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，不祥生成更具体、更有针对性的查询，从而提高搜索引擎的检索成果。
他们相同在提醒中加入极少样本，带领大模子进行灵验改写，将复杂问题搬动为更具体的查询，同期保抓问题的原始意图。
3.5 时辰线生成
CHRONOS通过两阶段生成齐全的时辰线纪念：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防备信息。愚弄大模子的解析和生成智商，索要每个事件的发生辰期和关连细节，并为每个事件撰写唐突的姿色。这些事件和姿色被组织成初步的时辰线，按照时辰纪律罗列，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辰线整合成一个连贯的最终摘抄。这已经过波及对皆不同时代线中的事件、经管任何日历或姿色上的打破，并选拔最具代表性和垂死性的事件。
全新数据集OPEN-TLS
为了评估TLS系统，商议团队还收罗了由专科记者撰写的对于近期新闻事件的时辰线，构建了一个名为Open-TLS的新数据集。
与以往阻塞域的数据集比拟，Open-TLS不仅在数据集边界和内容上愈加各样化，遮盖政事、经济、社会、体育和科学技巧等多个边界，况且在时效性上更具上风，为洞开域TLS任务提供了一个更全面和更具挑战性的基准。
实验为止
1. 实验设定
实验基于GPT-3.5-Turbo、GPT-4和Qwen2.5-72B诀别构建CHRONOS系统，评测洞开域和阻塞域两个设定下TLS的性能发扬。使用的评估目标主要有：
出借人张某与借款人蔡某签订一份《借款合同》，约定蔡某借款50万元，借款期限为6个月至2019年6月2日。借贷双方均确认经协商借款期限延至2019年12月2日。蔡某与周某为夫妻关系。张某与周某还同时签订一份《保证合同》，约定周某为案涉借款提供连带保证责任，保证期间为主债务期限届满之日起两年。张某于2018年12月3日履行出借义务。因蔡某拒不还款，张某于2022年1月25日向法院提起诉讼，请求判令蔡某还本付息并支付违约金及周某对上述债务承担连带清偿责任。
ROUGE-N: 估量生成时辰线和参考时辰线之间的N-gram重复。具体包括：（1）Concat F1：通过将悉数日历摘抄连接起来策划ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的摘抄策划ROUGE，以评估特定日历的准确性；（3）Align F1：在策划ROUGE之前，先凭证相似性和日历接近性对展望摘抄和参考摘抄进行对皆，评估对皆后的一致性。
Date F1：估量生成时辰线中日历与参考时辰线中信得过日历匹配进度。
2. 洞开域TLS
在洞开域TLS的实验中，CHRONOS与几个基线秩序进行了比较，包括径直搜索方向新闻（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连新闻著述的秩序，权臣提高了事件纪念的质料和日历对皆的准确性，在悉数目标上都颠倒于基线秩序。
3. 阻塞域TLS
在阻塞域TLS的实验中，CHRONOS与之前的代表性责任进行了比较，包括：（1）基于事件团聚秩序的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）愚弄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为止表露，CHRONOS达到了与这些责任雷同的发扬，在两个数据集的AR-2目标上得回了SOTA成果，说明了其在不同类型事件和时辰跨度上的弘大性能和蔼应性。
4. 运行时辰分析
CHRONOS的另一个上风体面前遵循方面。
与相同基于大模子、但需要处理新闻库中悉数著述的LLM-TLS秩序比拟，它通过检索增强机制专注于最关连的新闻著述，权臣减少了处理时辰。
这种遵循的提高使其在推行应用中更为实用，尤其是在需要快速反馈的场景中。
案例商议：苹果居品发布时辰线
团队久了分析了模子在处理具体新闻事件时的发扬，通过选拔具有代表性的新闻事件，如苹果公司的首要居品发布，不祥不雅察到CHRONOS如何通过行远自迩的自我发问和信息检索来生成时辰线。
在案例商议中，CHRONOS展示了其不祥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修订的处所，举例对某些事件的遗漏或日历幻觉。
结语
CHRONOS框架通过集合大型言语模子的迭代自我发问和检索增强生成技巧，为时辰线纪念任务提供了一种新颖且灵验的经管决议。
这种秩序的中枢在于模拟东谈主类的信息检索经过，通过不停地建议和恢复新问题来逐渐久了解析事件，最毕生成一个全面且连贯的时辰线摘抄。
实验为止已经充分说明了CHRONOS在复杂事件检索和构建时辰线方面的智商，展示了该框架在推行新闻时辰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秩序是否具有泛化到通用任务上的智商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 —CYL588.VIP