加拿大pc28开奖api 用大模子吃瓜更智能了！阿里通义实验室提议新时辰线记忆框架，全面栽培新闻记忆遵守
发布日期：2024-12-22 04:51 点击次数：196 洞开域和闭塞域TLS都更高效了面前，大模子不错帮你梳理新闻时辰线了，以后吃瓜就更浅陋了！
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有野心，他们提议了一种基于Agent的新闻时辰线选录新框架——CHRONOS。
它不仅不错帮你从海量新闻中记忆出抨击事件，更抨击的是，它还不错梳理出明晰的时辰线，以后上网冲浪时各式复杂事件都一目了然。
其中的CHRONOS一词取自希腊听说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色，迷惑检索增强生成时间，从互联网上检索关联事件信息，并生成时辰章程的新闻选录，为新闻时辰线选录生成提供了一种全新的管制决议。
先来一王人瞅瞅几个例子。
比如对于新闻“国足1-0巴林”，CHRONOS大约记忆海量新闻，呈现事件的世代相承。
对于遮蔽时辰更长的新闻“中国探月工程”，CHRONOS也能聚焦重隐痛件，呈当前辰线发展，使得用户大约一目了然。
补王人洞开域TLS短板
——专访二级大检察官，湖北省检察院党组书记、检察长王守安
检察机关在审查起诉阶段依法告知了被告人刘跃进享有的诉讼权利，并讯问了被告人刘跃进，听取了辩护人的意见。检察机关起诉指控：被告人刘跃进利用担任天津市公安局塘沽分局副局长，公安部禁毒局局长、党委委员、部长助理，国家禁毒委员会副主任兼办公室主任，公安部反恐专员等职务上的便利，为他人谋取利益，非法收受他人财物，数额特别巨大，依法应当以受贿罪追究其刑事责任。
时辰线记忆（Timeline Summarization, TLS）任务是一种当然说话处理边界的经典时间挑战，它旨在从无数文本数据中索要谬误事件，并按时间章程陈列，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，时辰线记忆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抨击的事件，还需设施路事件之间的时辰关连和因果筹议，以便生成一个连贯、情愿且信息丰富的时辰线选录。
字据可检索事件的开始，不错将TLS任务细分为闭塞域（closed-domain）和洞开域（open-domain）两个设定：在闭塞域TLS任务中，时辰线是从一组预界说的、与特定主题或边界关联的新闻著述中创建的，而洞开域TLS指的是从互联网上平直搜索和检索新闻著述来生成时辰线的经由。
往常的职责东要鸠集于管制闭塞域上时辰线生成问题，而洞开域TLS则需要远大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竖立事件之间筹议的智力，为这项任务提议了新的要乞降挑战。
迭代检索的CHRONOS框架
为了应酬上述挑战，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、全面的时辰线选录，大约灵验地管制洞开域和闭塞域两种设定下的TLS任务。
1. 动机
时辰线生成的中枢在于竖立事件之间的时辰和因果关连。
每个新闻事件都不错被暗意为一个不同的节点，任务的方向是竖立这些节点之间的边，以展示它们的关联性，并最终变成一个异构图，从主题新闻的节点动手。
因此，通过一个检索机制来检索关联的新闻著述，不错灵验竖立这些边，变成事件之间的筹议。
2. 综合
CHRONOS愚弄大模子的智力，通过模拟东说念主类信息检索的经由，即通过提议问题、基于检索戒指进一步提议新的问题，最终相聚对于关联事件的全面信息并记忆为时辰线。
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布景信息，然后迭代地提议问题，以检索更多关联新闻。
问题改写 (Question Rewriting)：将复杂或发达欠安的问题领会为更具体、更易检索的查询。
时辰线生成 (Timeline Generation)：通过覆没每一轮检索生成的时辰线来往首一个隆起抨击事件的时辰线。
3. 自我发问3.1 粗粒度布景调研
在自我发问的运行阶段，CHRONOS使用方向新闻的标题动作谬误词进行搜索，以相聚与方向新闻最平直关联的信息。
这些信息组成了新闻布景（News Context），为自我发问打下初步基础。
3.2 发问示例遴荐
在粗粒度布景调研之后，CHRONOS愚弄大模子的高低体裁习智力，通过少许样本教导来携带模子生成对于方向新闻的问题。
为了评估问题样实质地，引入了时序信息量（Chrono-Informativeness, CI）的成见，用来推测模子提议的问题检索与参考时辰线对王人事件的智力，即高CI值的问题更有可能携带检索到与方向新闻事件关联的著述，用检索生成的时辰线和参考时辰线中包含日历的F1分数进行推测。
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，用于携带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，确保了样本的高低文关联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，冉冉潜入探索事件的细节。
每一轮迭代都基于前一轮的检索戒指，以发现新的问题和信息，直到得志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要道。
在CHRONOS框架中，团队通过对运行发问阶段产生的正常或复杂问题改写为2-3个更易于检索的子问题，大约生成更具体、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少许样本，携带大模子进行灵验改写，将复杂问题革新为更具体的查询，同期保握问题的原始意图。
3.5 时辰线生成
CHRONOS通过两阶段生成竣工的时辰线记忆：生成（Generation）和覆没（Merging）。
生成：通过分析每一轮检索到的新闻著述来识别谬误事件和详备信息。愚弄大模子的默契和生成智力，索要每个事件的发诞辰期和关联细节，并为每个事件撰写情愿的描摹。这些事件和描摹被组织成初步的时辰线，按照时辰章程陈列，为后续的覆没阶段提供基础。
覆没：将多轮检索生成的初步时辰线整合成一个连贯的最终选录。这依然由波及对王人不同时间线中的事件、管制任何日历或描摹上的突破，并遴荐最具代表性和抨击性的事件。
全新数据集OPEN-TLS
为了评估TLS系统，有野心团队还相聚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。
与以往闭塞域的数据集比较，Open-TLS不仅在数据集边界和内容上愈加种种化，遮蔽政事、经济、社会、体育和科学时间等多个边界，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。
实验戒指
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，评测洞开域和闭塞域两个设定下TLS的性能发达。使用的评估宗旨主要有：
ROUGE-N: 推测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：通过将通盘日历选录纠合起来计较ROUGE，以评估举座的一致性；（2）Agree F1：仅使用匹配日历的选录计较ROUGE，以评估特定日历的准确性；（3）Align F1：在计较ROUGE之前，先字据相似性和日历接近性对展望选录和参考选录进行对王人，评估对王人后的一致性。
Date F1：推测生成时辰线中日历与参考时辰线中委果日历匹配进度。
2. 洞开域TLS
在洞开域TLS的实验中，CHRONOS与几个基线要道进行了比较，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要道，权贵提高了事件记忆的质地和日历对王人的准确性，在通盘宗旨上都高出于基线要道。
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）基于事件团员要道的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戒指袒露，CHRONOS达到了与这些职责访佛的发达，在两个数据集的AR-2宗旨上获取了SOTA后果，解释了其在不同类型事件和时辰跨度上的远大性能和符合性。
4. 运行时辰分析
CHRONOS的另一个上风体面前遵守方面。
与一样基于大模子、但需要处理新闻库中通盘著述的LLM-TLS要道比较，它通过检索增强机制专注于最关联的新闻著述，权贵减少了处理时辰。
这种遵守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。
案例有野心：苹果家具发布时辰线
团队潜入分析了模子在处理具体新闻事件时的发达，通过遴荐具有代表性的新闻事件，如苹果公司的首要家具发布，大约不雅察到CHRONOS奈何通过轮回渐进的自我发问和信息检索来生成时辰线。
在案例有野心中，CHRONOS展示了其大约准确索要谬误事件和日历的智力，同期也揭示了在某些情况下可能需要矫正的所在，举例对某些事件的遗漏或日历幻觉。
结语
CHRONOS框架通过迷惑大型说话模子的迭代自我发问和检索增强生成时间，为时辰线记忆任务提供了一种新颖且灵验的管制决议。
这种要道的中枢在于模拟东说念主类的信息检索经由，通过逼迫地提议和复兴新问题来冉冉潜入默契事件，最终身成一个全面且连贯的时辰线选录。
实验戒指已经充领会释了CHRONOS在复杂事件检索和构建时辰线方面的智力，展示了该框架在执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要道是否具有泛化到通用任务上的智力也值得改日进一步有野心。
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 —加拿大pc28开奖api