TimelineReasoner：利用大型推理模型推进时间线总结

在线新闻的激增对从非结构化内容中提取结构化时间线提出了挑战。虽然最近的研究表明 大语言模型 (LLM) 可以协助时间线总结 (TLS)，但这些方法主要将模型视为被动生成器。大型推理模型（LRM）的出现提供了主动推理事件的机会，从而实现迭代证据获取、缺失事件的检测以及时间一致性的验证。为了系统地利用 LRM 的推理能力，我们提出了 TimelineReasoner，这是一种新颖的框架，可将 TLS 从静态生成转变为主动的、推理驱动的过程。与之前的工作不同，TimelineReasoner 采用了两阶段框架：全局认知（Global Cognition）和细节探索（Detail Exploration），前者在宏观层面跟踪事件并不断更新全局事件记忆，后者识别信息差距并通过有针对性的文档检索来细化时间线。为了支持这一点，TimelineReasoner 结合了几种专门的机制，包括用于检索时间事件描述的事件抓取器、用于细化时间线的时间线更新器以及用于检测时间线中的间隙并指导检索的主管。开放域 TLS 数据集上的实验结果表明，TimelineReasoner 在时间线准确性、覆盖范围和一致性方面显着优于现有的基于 LLM 的 TLS 方法。在闭域 TLS 数据集上，我们的方法的性能与最先进的方法相当或超过。这项工作不仅突破了 TLS 的界限，还凸显了基于 LRM 的时间线总结推理框架的更广泛潜力。