当今伦理小说txt下载，大模子不错帮你梳理新闻时刻线了，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看管，他们建议了一种基于Agent的新闻时刻线提要新框架——CHRONOS。

它不仅不错帮你从海量新闻中回想出遑急事件，更遑急的是，它还不错梳理出了了的时刻线，以后上网冲浪时各式复杂事件都一目了然。

其中的CHRONOS一词取自希腊外传中的时刻之神柯罗诺斯。

该框架通过迭代多轮的自我发问式样，团结检索增强生成工夫，从互联网上检索有关事件信息，并生成时刻轨则的新闻提要，为新闻时刻线提要生成提供了一种全新的惩处决策。

先来全部瞅瞅几个例子。

比如对于新闻“国足1-0巴林”，CHRONOS概况回想海量新闻，呈现事件的世代相承。

对于遮掩时刻更长的新闻“中国探月工程”，CHRONOS也能聚焦重隐衷件，呈当前刻线发展，使得用户概况一目了然。

补王人绽开域TLS短板

时刻线回想（Timeline Summarization， TLS）任务是一种当然言语处理边界的经典工夫挑战，它旨在从多半文本数据中索求要津事件，并定时期轨则陈设，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，时刻线回想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遑急的事件，还需要意会事件之间的时刻相关和因果研究，以便生成一个连贯、精辟且信息丰富的时刻线提要。

凭据可检索事件的开始，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，时刻线是从一组预界说的、与特定主题或边界有关的新闻著述中创建的，而绽开域TLS指的是从互联网上获胜搜索和检索新闻著述来生成时刻线的经由。

以前的责任东要集中于惩处闭塞域上时刻线生成问题，而绽开域TLS则需要宏大的信息检索和筛选材干，以及在莫得全局视图的情况下识别和开荒事件之间研究的材干，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，通过迭代发问进行有关事件检索，生成准确、全面的时刻线提要，概况灵验地惩处绽开域和闭塞域两种设定下的TLS任务。

1. 动机

时刻线生成的中枢在于开荒事件之间的时刻和因果相关。

每个新闻事件都不错被示意为一个不同的节点，任务的标的是开荒这些节点之间的边，以展示它们的有关性，并最终变成一个异构图，从主题新闻的节点源泉。

因此，通过一个检索机制来检索有关的新闻著述，不错灵验开荒这些边，变成事件之间的研究。

2. 综合

CHRONOS愚弄大模子的材干，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，最终收罗对于有关事件的全面信息并回想为时刻线。

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伦理小说txt下载，然后迭代地建议问题，以检索更多有关新闻。

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

时刻线生成 (Timeline Generation)：通过同一每一轮检索生成的时刻线来回想一个越过遑急事件的时刻线。

3. 自我发问3.1 粗粒度配景调研

在自我发问的驱动阶段，CHRONOS使用标的新闻的标题四肢要津词进行搜索，以收罗与标的新闻最获胜有关的信息。

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 发问示例聘请

在粗粒度配景调研之后，CHRONOS愚弄大模子的险阻体裁习材干，通过极少样本指示来带领模子生成对于标的新闻的问题。

为了评估问题样施行量，引入了时序信息量（Chrono-Informativeness， CI）的成见，用来议论模子建议的问题检索与参考时刻线对王人事件的材干，即高CI值的问题更有可能换取检索到与标的新闻事件有关的著述，用检索生成的时刻线和参考时刻线中包含日历的F1分数进行议论。

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，用于带领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，确保了样本的险阻文有关性和时刻信息的准确性。

3.3 迭代发问

CHRONOS通过连气儿迭代发问，纯粹深入探索事件的细节。

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，直到舒应时刻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神气。

在CHRONOS框架中，团队通过对驱动发问阶段产生的普通或复杂问题改写为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适度。

他们通常在指示中加入极少样本，带领大模子进行灵验改写，将复杂问题升沉为更具体的查询，同期保握问题的原始意图。

3.5 时刻线生成

CHRONOS通过两阶段生成完好意思的时刻线回想：生成（Generation）和同一（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详备信息。愚弄大模子的意会和生成材干，索求每个事件的发生辰期和有关细节，并为每个事件撰写精辟的形容。这些事件和形容被组织成初步的时刻线，按照时刻轨则陈设，为后续的同一阶段提供基础。

同一：将多轮检索生成的初步时刻线整合成一个连贯的最终提要。这照旧由波及对王人不同时期线中的事件、惩处任何日历或形容上的讲理，并聘请最具代表性和遑急性的事件。

全新数据集OPEN-TLS

为了评估TLS系统，看管团队还收罗了由专科记者撰写的对于近期新闻事件的时刻线，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样化，遮掩政事、经济、社会、体育和科学工夫等多个边界，况兼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分袂构建CHRONOS系统，评测绽开域和闭塞域两个设定下TLS的性能施展。使用的评估主义主要有：

ROUGE-N: 议论生成时刻线和参考时刻线之间的N-gram相通。具体包括：（1）Concat F1：通过将悉数日历提要连气儿起来打算ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的提要打算ROUGE，以评估特定日历的准确性；（3）Align F1：在打算ROUGE之前，先凭据相似性和日历接近性对意料提要和参考提要进行对王人，评估对王人后的一致性。

Date F1：议论生成时刻线中日历与参考时刻线中信得过日历匹配进度。

2. 绽开域TLS

在绽开域TLS的实验中，CHRONOS与几个基线神气进行了比较，包括获胜搜索标的新闻（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有关新闻著述的神气，显赫提高了事件回想的质地和日历对王人的准确性，在悉数主义上都向上于基线神气。

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）基于事件团员神气的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适度久了，CHRONOS达到了与这些责任雷同的施展，在两个数据集的AR-2主义上获取了SOTA适度，讲授了其在不同类型事件和时刻跨度上的宏大性能和允洽性。

4. 运行时刻分析

CHRONOS的另一个上风体当今遵循方面。

与通常基于大模子、但需要处理新闻库中悉数著述的LLM-TLS神气比拟，它通过检索增强机制专注于最有关的新闻著述，显赫减少了处理时刻。

这种遵循的晋升使其在施行应用中更为实用，尤其是在需要快速反馈的场景中。

案例看管：苹果产物发布时刻线

团队深入分析了模子在处理具体新闻事件时的施展，通过聘请具有代表性的新闻事件，如苹果公司的要紧产物发布，概况不雅察到CHRONOS如何通过按部就班的自我发问和信息检索来生成时刻线。

在案例看管中，CHRONOS展示了其概况准确索求要津事件和日历的材干，同期也揭示了在某些情况下可能需要转换的场地，举例对某些事件的遗漏或日历幻觉。

结语

CHRONOS框架通过团结大型言语模子的迭代自我发问和检索增强生成工夫，为时刻线回想任务提供了一种新颖且灵验的惩处决策。

这种神气的中枢在于模拟东说念主类的信息检索经由，通过摆布地建议和恢复新问题来纯粹深入意会事件，最毕生成一个全面且连贯的时刻线提要。

实验适度已经充分讲授了CHRONOS在复杂事件检索和构建时刻线方面的材干，展示了该框架在施行新闻时刻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神气是否具有泛化到通用任务上的材干也值得异日进一步看管。

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 —伦理小说txt下载