TIMEWISE – 阿里巴巴通义携手上海交通大学开发出创新的时间序列概要生成架构

CHRONOS指的是什么？

TIMEWISE是由上海交通大学计算机科学与工程系及阿里巴巴集团通义实验室等机构共同开发的一款新型框架，旨在通过迭代式的自我提问机制利用大型语言模型（LLMs）来构建开放域和封闭域的新闻时间轴摘要。该框架首先根据新闻主题生成5W1H相关问题，随后进行信息检索，并不断提出子问题以丰富新闻数据库的内容。TIMEWISE还采用了基于问题重写的策略提高搜索准确性，并运用分治法逐步构造并整合时间线，最终形成长篇连贯的事件概述。实验结果显示，TIMEWISE在应对信息过载和数据噪声方面表现出色，特别适合大规模新闻数据分析中的时间轴生成任务。

CHRONOS的核心特性

• 创建新闻事件序列图示：自众多新闻文章里抽取重要事件，并依时间先后编制成条理清晰的序列概要。
• 提供全面的开放领域及限定领域支持服务能够从互联网上抓取开放领域的新闻来创建时间轴，同时也能够在限定范围内利用已知的新闻集合来构建时间序列。
• 反复自我提问与回答的过程通过持续提出关联新闻主题的问题，逐渐充实和拓展时间线的信息量，以保证内容的完整性和精确性。
• 问题的重新构建与提升通过把复杂问题拆解成更为具体的小问来提升检索的精准度与效果，从而获得更加贴切的结果。
• 提供数据集合支持采用Open-TLS数据集，它包含了大量详尽的新闻时间轴示例，适用于训练及测评模型的表现。

CHRONOS的核心技术机制

• 依据搜索的结果创造通过整合来自外部知识库（例如网络资源或特定新闻集合）的内容来提升语言模型的表现力，并应对信息过剩及数据干扰的问题。
• 自我问答机制的更新版本模仿人类的信息搜集方法，通过创建包含5W1H（何事、何人、为何、何处、何时及如何）的问题来逐层探索和获取与新闻核心话题有关的事件详情，并绘制这些事件间的因果联系图表。
• 问题重构技巧利用大型语言模型（LLMs）将复杂的议题拆解并重构为更为明确且便于搜索的问题形式，从而增强搜索输出的相关度与精确性。
• 采用分解处理的方法把创建时间轴的任务细分为若干个小任务，每个小任务都根据每次搜索的结果独立地构建一个时间轴，并通过整合与处理冲突等环节来形成完整且一致的时间轴概要。
• 大规模语言模型（MLMs）此工具充当关键角色，用于解析文本、创造高品质摘要与提问，并实现高效的信息搜寻及合并工作。

CHRONOS项目的网址位置

• Git代码库：https://github.com/Alibaba-语言处理小组/时间序列分析工具
• arXiv科技文章访问此链接以获取最新研究论文的PDF版本: https://arxiv.org/pdf/2501.00888，这里提供了深入的技术分析和创新发现。

CHRONOS的使用情境

• 新闻材料汇总辅助新闻编校与媒体工作者迅速梳理特定新闻事件的演变轨迹，构建明确的时间序列图谱，旨在支持制作深入报道及历史回顾类稿件时作为参考资料。
• 银行业务领域监控金融领域的重要发展，例如企业财务报告的披露及政策调整等，并构建相应的时间轴，以便投资者与分析员能够更清晰地把握市场的现状及其演变方向。
• 政府机关于政策规划阶段梳理相关政事的发展脉络，考察政策措施的实际成效与社会反响，以供评估及优化政策时参考。
• 学习与培养知识的过程向学生及研究者展示历史大事的编年表，辅助使用者更清晰地把握与铭记这些事件的发生序列及其重要阶段，从而增进对历史学问的理解与探究。
• 公司及其市场推广活动公司可以制作一条展现其品牌成长历程的时间轴，突出品牌的重大时刻与成绩，在品牌推广及市场活动中使用。