加拿大pc28开奖直播 用大模子吃瓜更智能了！阿里通义实验室提议新时分线回归框架，全面提高新闻回归效能

当今加拿大pc28开奖直播，大模子不错帮你梳理新闻时分线了，以后吃瓜就更浅薄了！

AI Agent的风，我们赛博乐子东说念主也得吹吹。

这便是来自阿里巴巴通义实验室与上海交通大学的新磋商，他们提议了一种基于Agent的新闻时分线选录新框架——CHRONOS。

它不仅不错帮你从海量新闻中回归出要紧事件，更要紧的是，它还不错梳理出赫然的时分线，以后上网冲浪时各式复杂事件都一目了然。

其中的CHRONOS一词取自希腊传说中的时分之神柯罗诺斯。

该框架通过迭代多轮的自我发问形势，纠合检索增强生成时间，从互联网上检索研究事件信息，并生成时分轨则的新闻选录，为新闻时分线选录生成提供了一种全新的处分决策。

先来一说念瞅瞅几个例子。

比如对于新闻“国足1-0巴林”，CHRONOS约略回归海量新闻，呈现事件的来因去果。

对于障翳时分更长的新闻“中国探月工程”，CHRONOS也能聚焦重隐衷件，呈当前分线发展，使得用户约略一目了然。

补皆洞开域TLS短板

时分线回归（Timeline Summarization, TLS）任务是一种当然话语处理边界的经典时间挑战，它旨在从大量文本数据中索求要津事件，并定时间轨则陈列，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，时分线回归不错匡助用户快速了解一个新闻事件的来因去果。该任务不仅条款识别出要紧的事件，还需步骤略事件之间的时分相关和因果研究，以便生成一个连贯、简陋且信息丰富的时分线选录。

凭证可检索事件的开始，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，时分线是从一组预界说的、与特定主题或边界研究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分线的经过。

昔日的使命东要集中于处分闭塞域上时分线生成问题，而洞开域TLS则需要弘远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确立事件之间研究的智力，为这项任务提议了新的要乞降挑战。

迭代检索的CHRONOS框架

为了打法上述挑战，团队提议CHRONOS框架，通过迭代发问进行研究事件检索，生成准确、全面的时分线选录，约略灵验地处分洞开域和闭塞域两种设定下的TLS任务。

1. 动机

时分线生成的中枢在于确立事件之间的时分和因果相关。

每个新闻事件都不错被示意为一个不同的节点，任务的方向是确立这些节点之间的边，以展示它们的研究性，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研究的新闻著述，不错灵验确立这些边，酿成事件之间的研究。

2. 空洞

CHRONOS欺诈大模子的智力，通过模拟东说念主类信息检索的经过，即通过提议问题、基于检索截至进一步提议新的问题，最终蚁集对于研究事件的全面信息并回归为时分线。

许多日本国脚都担任过全国高中足球大会的应援队长，上届是浅野拓磨，上上届是中村俊辅。

广州（6-16）：沃伦28分7助攻6篮板、李祥波13分2篮板2助攻、克劳福德12分6篮板、张兴亮12分3篮板2助攻、焦泊乔10分、道格拉斯7分5篮板5助攻、刘颜诚6分2助攻、于米提6分5篮板、佟佳俊3分4助攻。

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配景信息，然后迭代地提议问题，以检索更多研究新闻。

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

时分线生成 (Timeline Generation)：通过并吞每一轮检索生成的时分线往来归一个越过要紧事件的时分线。

3. 自我发问3.1 粗粒度配景调研

在自我发问的运转阶段，CHRONOS使用方向新闻的标题手脚要津词进行搜索，以蚁集与方向新闻最平直研究的信息。

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欺诈大模子的高下文体习智力，通过少许样本教唆来带领模子生成对于方向新闻的问题。

为了评估问题样本体量，引入了时序信息量（Chrono-Informativeness, CI）的看法，用来预计模子提议的问题检索与参考时分线对皆事件的智力，即高CI值的问题更有可能指令检索到与方向新闻事件研究的著述，用检索生成的时分线和参考时分线中包含日历的F1分数进行预计。

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，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研究性和时分信息的准确性。

3.3 迭代发问

CHRONOS通过一语气迭代发问，冉冉深切探索事件的细节。

每一轮迭代都基于前一轮的检索截至，以发现新的问题和信息，直到知足时分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局势。

在CHRONOS框架中，团队通过对运转发问阶段产生的浮浅或复杂问题改写为2-3个更易于检索的子问题，约略生成更具体、更有针对性的查询，从而提高搜索引擎的检索后果。

他们相同在教唆中加入少许样本，带领大模子进行灵验改写，将复杂问题诊疗为更具体的查询，同期保握问题的原始意图。

3.5 时分线生成

CHRONOS通过两阶段生成完满的时分线回归：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要津事件和详备信息。欺诈大模子的默契和生成智力，索求每个事件的发生辰期和研究细节，并为每个事件撰写简陋的形色。这些事件和形色被组织成初步的时分线，按照时分轨则陈列，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分线整合成一个连贯的最终选录。这如故过触及对皆不同时间线中的事件、处分任何日历或形色上的打破，并聘请最具代表性和要紧性的事件。

全新数据集OPEN-TLS

为了评估TLS系统，磋商团队还蚁集了由专科记者撰写的对于近期新闻事件的时分线，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不仅在数据集范围和内容上愈加千般化，障翳政事、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。

实验截至

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，评测洞开域和闭塞域两个设定下TLS的性能施展。使用的评估磋商主要有：

ROUGE-N: 预计生成时分线和参考时分线之间的N-gram重迭。具体包括：（1）Concat F1：通过将统共日历选录贯穿起来料到ROUGE，以评估合座的一致性；（2）Agree F1：仅使用匹配日历的选录料到ROUGE，以评估特定日历的准确性；（3）Align F1：在料到ROUGE之前，先凭证相似性和日历接近性对展望选录和参考选录进行对皆，评估对皆后的一致性。

Date F1：预计生成时分线中日历与参考时分线中委果日历匹配进程。

2. 洞开域TLS

在洞开域TLS的实验中，CHRONOS与几个基线局势进行了比较，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研究新闻著述的局势，显贵提高了事件回归的质料和日历对皆的准确性，在统共磋商上都逾越于基线局势。

3. 闭塞域TLS

在闭塞域TLS的实验中，CHRONOS与之前的代表性使命进行了比较，包括：（1）基于事件团聚局势的CLUST (Gholipour Ghalandari and. Ifrim, 2020);（2）基于事件图模子EGC（Li et al., 2021）和（3）欺诈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截至理会，CHRONOS达到了与这些使命近似的施展，在两个数据集的AR-2磋商上获得了SOTA后果，诠释注解了其在不同类型事件和时分跨度上的弘远性能和妥当性。

4. 运行时分分析

CHRONOS的另一个上风体当今效能方面。

与相同基于大模子、但需要处理新闻库中统共著述的LLM-TLS局势比较，它通过检索增强机制专注于最研究的新闻著述，显贵减少了处理时分。

这种效能的提高使其在履行应用中更为实用，尤其是在需要快速反馈的场景中。

案例磋商：苹果产物发布时分线

团队深切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，约略不雅察到CHRONOS怎样通过行远自迩的自我发问和信息检索来生成时分线。

在案例磋商中，CHRONOS展示了其约略准确索求要津事件和日历的智力，同期也揭示了在某些情况下可能需要纠正的所在，举例对某些事件的遗漏或日历幻觉。

结语

CHRONOS框架通过纠合大型话语模子的迭代自我发问和检索增强生成时间，为时分线回归任务提供了一种新颖且灵验的处分决策。

这种局势的中枢在于模拟东说念主类的信息检索经过，通过不休地提议和通告新问题来冉冉深切默契事件，最终身成一个全面且连贯的时分线选录。

实验截至已经充分诠释注解了CHRONOS在复杂事件检索和构建时分线方面的智力，展示了该框架在履行新闻时分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局势是否具有泛化到通用任务上的智力也值得改日进一步磋商。

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开奖直播