NTS-CoT：利用思维链推理缓解大语言模型新闻时间线摘要中的幻觉问题

背景

随着在线新闻的极速更新，追踪事件的发展脉络变得极具挑战性。在这一背景下，时间线摘要（Timeline Summarization, TLS） 应运而生，成为帮助用户快速理解事件全貌的关键技术。然而，基于大语言模型（LLM）的 TLS 系统目前面临一个核心痛点：幻觉（Hallucinations）。

所谓幻觉，是指 LLM 生成的内容偏离了原始新闻事实。尽管这是一个普遍存在的问题，但在现有的 TLS 研究工作中，针对这一问题的深入探讨和系统性解决方案仍然不足。现有的研究往往未能充分识别和解决 TLS 场景中特有的幻觉类型，导致生成的时间线在忠实度和完整性上存在缺陷。为了填补这一研究空白，本文旨在深入剖析 TLS 中的幻觉机制，并提出一种新的框架来有效缓解这一问题。

核心内容

本文提出了一种名为 NTS-CoT 的新颖框架，该框架利用 思维链（Chain-of-Thought, CoT） 推理能力，旨在显著降低基于 LLM 的新闻时间线摘要中的幻觉现象。

1. 幻觉类型的界定

研究首先识别出 TLS 中存在的两种主要幻觉类型：

• 摘要过程中的不忠实内容（Unfaithful content）：在新闻摘要生成阶段，模型可能编造或扭曲事实，导致内容与源新闻不符。
• 日期-事件摘要中的信息遗漏（Information omission）：在将事件映射到具体时间戳时，模型可能遗漏关键信息，导致时间线不完整。

2. NTS-CoT 框架架构

NTS-CoT 框架由三个关键模块组成，分别针对上述幻觉类型进行优化：

• Element-CoT（元素思维链）： 该模块旨在捕捉新闻中的关键要素（如人物、地点、动作等），以确保摘要的忠实性。通过引入思维链推理，模型在生成摘要前会先提取和验证核心新闻要素，从而减少因事实扭曲产生的幻觉。

• Date Selection（日期选择）： 该模块负责确定事件的时间戳。它结合了 时间显著性（temporal saliency） 和 事件 prominence（重要性/突出性） 两个维度。通过综合考量这两个因素，模型能够更准确地为每个事件分配合适的时间点，避免时间线上的错乱或偏差。

• Causal-CoT（因果思维链）： 该模块专注于推断事件之间的因果关系，以减少日期-事件摘要中的信息遗漏。通过显式地推理事件间的因果逻辑，模型能够更全面地捕捉事件发展的脉络，确保时间线不仅包含孤立的事件，还能反映事件间的内在联系，从而提升摘要的完整性。

3. 实验验证

研究者在三个 TLS 基准数据集上进行了广泛的定量分析，并进行了人类评估。实验结果表明，NTS-CoT 优于当前的最先进基线模型（State-of-the-art baselines）。该方法不仅有效地缓解了幻觉问题，还显著提升了基于 LLM 的新闻时间线摘要的整体性能。

关键要点

• 问题定义明确：首次系统性地识别了 TLS 中的两类主要幻觉：摘要阶段的事实不忠实和日期-事件映射阶段的信息遗漏。
• 引入 CoT 机制：创新性地利用思维链（CoT）推理来增强 LLM 在 TLS 任务中的逻辑性和事实准确性。
• 三模块协同工作：
  • Element-CoT 确保内容忠实于源新闻。
  • Date Selection 结合时间显著性和事件重要性优化时间戳分配。
  • Causal-CoT 通过因果推理减少关键信息的遗漏。
• 性能显著提升：在三个基准数据集上的定量分析及人类评估均显示，NTS-CoT 优于现有 SOTA 方法，有效降低了幻觉并提高了摘要质量。
• 开源贡献：研究团队已公开源代码，便于社区复现和进一步研究。

意义与影响

NTS-CoT 的提出对于提升大语言模型在新闻摘要领域的可靠性具有重要意义。

首先，它解决了 TLS 任务中一个长期被忽视但至关重要的问题——幻觉。通过区分并针对性地解决“不忠实”和“遗漏”两种幻觉，该框架为构建更可信的新闻摘要系统提供了新的思路。

其次，该方法展示了 CoT 推理在结构化信息提取任务中的巨大潜力。传统的 CoT 多用于数学推理或常识问答，而将其应用于新闻时间线摘要，并细化为元素提取、日期选择和因果推断三个子任务，证明了 CoT 在复杂语义理解和事实核查方面的适应性。

最后，随着在线新闻数据的爆炸式增长，用户对快速、准确、无幻觉的事件追踪需求日益迫切。NTS-CoT 所提出的框架不仅提升了学术界的 SOTA 性能，也为工业界开发更智能、更可靠的新闻聚合与摘要工具提供了可行的技术路径。其开源代码也将促进相关领域的进一步创新和协作。