❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
🚀 快速阅读
- 功能：CHRONOS 支持开放域与封闭域的时间线摘要生成，适用于新闻、金融、教育等多个领域。
- 技术：基于迭代自问自答机制，结合大型语言模型（LLMs）和问题重写技术，生成连贯的时间线摘要。
- 应用：广泛应用于新闻报道整理、金融事件追踪、政策分析等场景，帮助用户快速理解事件发展脉络。
正文（附运行示例）
CHRONOS 是什么
CHRONOS 是由上海交通大学计算机科学与工程系、阿里巴巴集团通义实验室等机构联合推出的时间线摘要生成框架。该框架基于迭代自问自答的方式，利用大型语言模型（LLMs）构建开放域和封闭域的时间线。CHRONOS 通过生成与新闻主题相关的 5W1H 问题，检索相关信息，逐步扩展新闻数据库，最终生成连贯的事件摘要。
CHRONOS 在实验中表现出色，能够有效处理信息过载和数据噪声问题，适用于大规模新闻数据的时间线生成任务。其核心优势在于能够通过问题重写机制提高搜索精度，并采用分而治之的策略生成并合并时间线。
CHRONOS 的主要功能
- 新闻时间线生成：从大量新闻文档中提取关键事件，按照时间顺序生成连贯的时间线摘要。
- 开放域和封闭域支持：支持从互联网直接检索新闻生成时间线，也支持在预定义的新闻集中构建时间线。
- 迭代自问自答：通过不断提出与新闻主题相关的问题，逐步扩展和丰富时间线内容，确保信息的全面性和准确性。
- 问题重写与优化：将复杂问题分解为更具体的查询，提高搜索的精确性和效率，获取更相关的信息。
- 数据集支持：引入 Open-TLS 数据集，提供丰富的新闻时间线样本，用于训练和评估模型性能。
CHRONOS 的技术原理
- 基于检索的生成：通过检索外部知识源（如互联网或预定义的新闻集）增强语言模型的生成能力，解决信息过载和数据噪声问题。
- 迭代自问自答机制：模拟人类信息检索过程，生成 5W1H 问题，逐步深入挖掘与新闻主题相关的事件信息，构建事件之间的因果关系图。
- 问题重写技术：利用 LLMs 对复杂问题进行分解和重写，生成更具体、更易于检索的查询，提高检索结果的相关性和准确性。
- 分而治之的策略：将时间线生成任务分解为多个子任务，分别从每一轮检索中生成单独的时间线，通过合并和冲突解决等步骤，生成最终的连贯时间线摘要。
- 大型语言模型（LLMs）：作为核心工具，用于理解文本、生成高质量的摘要和问题，并进行有效的信息检索和整合。
如何运行 CHRONOS
1. 安装依赖
首先，确保你已经安装了所有必要的依赖项。可以通过以下命令安装：
pip install -r requirements.txt
2. 生成示例问题
接下来，生成与主题相关的问题示例。运行以下命令：
python question_exampler.py
你也可以使用我们提供的 data/question_examples.json 文件，其中包含了针对 crisis, T17 和 Open-TLS 数据集的示例问题。
3. 运行 CHRONOS
运行 CHRONOS 框架，生成时间线摘要。具体命令如下：
python chronos.py
资源
- GitHub 仓库：https://github.com/Alibaba-NLP/CHRONOS
- arXiv 技术论文：https://arxiv.org/pdf/2501.00888
- 中文 Web Demo：https://modelscope.cn/studios/vickywu1022/CHRONOS
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
