当今，大模子不错帮你梳理新闻时期线了加拿大pc28开奖，以后吃瓜就更浅显了！
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斟酌，他们苛刻了一种基于Agent的新闻时期线选录新框架——CHRONOS。
它不仅不错帮你从海量新闻中回来出进攻事件，更进攻的是，它还不错梳理出显豁的时期线，以后上网冲浪时各式复杂事件都一目了然。
其中的CHRONOS一词取自希腊传闻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势，集合检索增强生成时期，从互联网上检索推敲事件信息，并生成时期律例的新闻选录，为新闻时期线选录生成提供了一种全新的处理决策。
先来一齐瞅瞅几个例子。
比如对于新闻“国足1-0巴林”，CHRONOS大要回来海量新闻，呈现事件的一脉通常。
对于掩饰时期更长的新闻“中国探月工程”，CHRONOS也能聚焦重隐衷件，呈面前期线发展，使得用户大要一目了然。
补皆敞开域TLS短板
时期线回来（Timeline Summarization, TLS）任务是一种当然讲话处理规模的经典时期挑战，它旨在从大宗文本数据中提真金不怕火要害事件，并依期间律例胪列，以提供对某一主题或规模历史发展的结构化视图。
举例，在新闻规模，时期线回来不错匡助用户快速了解一个新闻事件的一脉通常。该任务不仅条件识别出进攻的事件，还需要意会事件之间的时期关系和因果推敲，以便生成一个连贯、精真金不怕火且信息丰富的时期线选录。
与此同时，开业两周年的库迪咖啡，已经实现全球门店数量破万家，业务遍及全球28个国家和地区，品牌门店数量位居全球第四。公司董事长兼 CEO 钱治亚称，两年累计闭店率仅 3.6%，门店盈利能力提升。品牌方目前推进便捷店战略，计划年底实现 8000 家便捷店布局，未来三年要布局 5 万家。
一加 Ace 5 Pro部分版本有更实惠的价格、顶配版有更强的内存、更大的电池、更省电的屏幕、更大的散热VC；
左证可检索事件的开头，不错将TLS任务细分为阻塞域（closed-domain）和敞开域（open-domain）两个设定：在阻塞域TLS任务中，时期线是从一组预界说的、与特定主题或规模推敲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期线的经由。
畴昔的责任东要蚁集于处理阻塞域上时期线生成问题，而敞开域TLS则需要高大的信息检索和筛选才略，以及在莫得全局视图的情况下识别和诞滋事件之间推敲的才略，为这项任务苛刻了新的要乞降挑战。
迭代检索的CHRONOS框架
为了应酬上述挑战，团队苛刻CHRONOS框架，通过迭代发问进行推敲事件检索，生成准确、全面的时期线选录，大要灵验地处理敞开域和阻塞域两种设定下的TLS任务。
1. 动机
时期线生成的中枢在于诞滋事件之间的时期和因果关系。
每个新闻事件都不错被示意为一个不同的节点，任务的地点是诞生这些节点之间的边，以展示它们的推敲性，并最终酿成一个异构图，从主题新闻的节点起初。
因此，通过一个检索机制来检索推敲的新闻著述，不错灵验诞生这些边，酿成事件之间的推敲。
2. 概括
CHRONOS应用大模子的才略，通过模拟东说念主类信息检索的经由，即通过苛刻问题、基于检索限制进一步苛刻新的问题，最终集聚对于推敲事件的全面信息并回来为时期线。
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布景信息，然后迭代地苛刻问题，以检索更多推敲新闻。
问题改写 (Question Rewriting)：将复杂或发扬欠安的问题解析为更具体、更易检索的查询。
时期线生成 (Timeline Generation)：通过归并每一轮检索生成的时期线来去来一个凸起进攻事件的时期线。
3. 自我发问3.1 粗粒度布景调研
在自我发问的开动阶段，CHRONOS使用地点新闻的标题当作要害词进行搜索，以集聚与地点新闻最平直推敲的信息。
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 发问示例选拔
在粗粒度布景调研之后，CHRONOS应用大模子的崎岖文体习才略，通过极少样本辅导来领导模子生成对于地点新闻的问题。
为了评估问题样骨子量，引入了时序信息量（Chrono-Informativeness, CI）的意见，用来测度模子苛刻的问题检索与参考时期线对皆事件的才略，即高CI值的问题更有可能率领检索到与地点新闻事件推敲的著述，用检索生成的时期线和参考时期线中包含日历的F1分数进行测度。
基于最大化问题集时序信息量的地点，构建一个“新闻-问题”的示例池，用于领导新地点新闻的问题生成。
对于每个新的地点新闻，通过余弦相似性动态检索与地点新闻最相似的样本，确保了样本的崎岖文推敲性和时期信息的准确性。
3.3 迭代发问
CHRONOS通过一语气迭代发问，逐步深刻探索事件的细节。
每一轮迭代都基于前一轮的检索限制，以发现新的问题和信息，直到豪放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智力。
在CHRONOS框架中，团队通过对开动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，大要生成更具体、更有针对性的查询，从而提高搜索引擎的检索限制。
他们同样在辅导中加入极少样本，领导大模子进行灵验改写，将复杂问题转念为更具体的查询，同期保执问题的原始意图。
3.5 时期线生成
CHRONOS通过两阶段生成齐全的时期线回来：生成（Generation）和归并（Merging）。
生成：通过分析每一轮检索到的新闻著述来识别要害事件和把稳信息。应用大模子的意会和生成才略，提真金不怕火每个事件的发寿辰期和推敲细节，并为每个事件撰写精真金不怕火的描摹。这些事件和描摹被组织成初步的时期线，按照时期律例胪列，为后续的归并阶段提供基础。
归并：将多轮检索生成的初步时期线整合成一个连贯的最终选录。这还是由波及对皆不同期间线中的事件、处理任何日历或描摹上的松弛，并选拔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，斟酌团队还集聚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。
与以往阻塞域的数据集比拟，Open-TLS不仅在数据集限度和内容上愈加各样化，掩饰政事、经济、社会、体育和科学时期等多个规模，况兼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。
实验限制
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，评测敞开域和阻塞域两个设定下TLS的性能发扬。使用的评估主见主要有：
ROUGE-N: 测度生成时期线和参考时期线之间的N-gram重迭。具体包括：（1）Concat F1：通过将通盘日历选录畅达起来筹划ROUGE，以评估全体的一致性；（2）Agree F1：仅使用匹配日历的选录筹划ROUGE，以评估特定日历的准确性；（3）Align F1：在筹划ROUGE之前，先左证相似性和日历接近性对瞻望选录和参考选录进行对皆，评估对皆后的一致性。
Date F1：测度生成时期线中日历与参考时期线中信得过日历匹配进程。
2. 敞开域TLS
在敞开域TLS的实验中，CHRONOS与几个基线智力进行了比较，包括平直搜索地点新闻（DIRECT）和重写地点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推敲新闻著述的智力，显赫提高了事件回来的质地和日历对皆的准确性，在通盘主见上都格外于基线智力。
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）基于事件团聚智力的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）应用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限制显现，CHRONOS达到了与这些责任访佛的发扬，在两个数据集的AR-2主见上赢得了SOTA限制，证明了其在不同类型事件和时期跨度上的高大性能和妥贴性。
4. 运行时期分析
CHRONOS的另一个上风体当今遵循方面。
与同样基于大模子、但需要处理新闻库中通盘著述的LLM-TLS智力比拟，它通过检索增强机制专注于最推敲的新闻著述，显赫减少了处理时期。
这种遵循的升迁使其在施行应用中更为实用，尤其是在需要快速反应的场景中。
案例斟酌：苹果产物发布时期线
团队深刻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，如苹果公司的要紧产物发布，大要不雅察到CHRONOS若何通过轮回渐进的自我发问和信息检索来生成时期线。
在案例斟酌中，CHRONOS展示了其大要准确提真金不怕火要害事件和日历的才略，同期也揭示了在某些情况下可能需要篡改的地方，举例对某些事件的遗漏或日历幻觉。
结语
CHRONOS框架通过集合大型讲话模子的迭代自我发问和检索增强生成时期，为时期线回来任务提供了一种新颖且灵验的处理决策。
这种智力的中枢在于模拟东说念主类的信息检索经由，通过束缚地苛刻和回复新问题来逐步深刻意会事件，最终身成一个全面且连贯的时期线选录。
实验限制已经充分证明了CHRONOS在复杂事件检索和构建时期线方面的才略，展示了该框架在施行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智力是否具有泛化到通用任务上的才略也值得将来进一步斟酌。
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