事件时间关系的多轴标注方案

ACLApr, 2018

A Multi-Axis Annotation Scheme for Event Temporal Relations

Qiang Ning, Hao Wu, Dan Roth

TL;DR本文提出了新的多轴建模方法，以更好地捕捉事件的时间结构，并基于起始点对事件进行 TempRel 注释，试图改进传统注释任务的定义，初步专家标注结果表明其在 Kappa 值上有显著的提高，可以通过众包来缓解各注释员的劳动强度，促进更多有趣的事件理解研究。

Abstract

Existing temporal relation (TempRel) annotation schemes often have low inter-annotator agreements (IAA) even between experts, suggesting that the current annotation task needs a better definition. This paper proposes a new multi-axis modeling to better capture the temporal structure of

temporal relation annotation multi-axis modeling event understanding annotation scheme start-points

发现论文，激发创造

TIMELINE：新闻文章中支持自动排序事件的时间关系的详尽注释

该研究论文介绍了一种新的标注方案，以解决现有时间关系注释新闻数据集中存在的问题，并自动化了标注过程，从而减少了时间和人力成本。该论文还报告了基于新语料库进行训练和评估基线时间关系提取模型的结果，并与广泛使用的 MATRES 语料库的结果进行了比较。

Oct, 2023

一种结构化学习方法用于时间关系提取

本文讨论识别事件之间时间关系的问题，提出了一种结构化学习方法，以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时，该方法还提出了一个新的处理缺失关系问题的角度，并在两个基准数据集上取得了显著的改进。

Jun, 2019

细粒度时间关系提取

本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

Feb, 2019

无监督学习事件之间的时间关系

本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

Jan, 2014

临床叙述中相对和不完整的时间表达式规范化

研究 RI-TIMEXes 在临床叙述领域中的标准化问题，提出了两种假设，设计了一个包含多标签分类器的 RI-TIMEX 规范化系统，并进行了特征实验和错误分析，证实了其显著改善了之前最好系统的结果。

Oct, 2015

基于检索增强的 LLMs 的事件时间关系抽取

利用大型语言模型从相关知识中检索来增强提示模板和语言生成器的新型检索增强事件时间关系抽取方法，通过生成各种创意来有效提高事件时间关系抽取任务的性能。

Mar, 2024

提高事件时间关系提取的准确性：抽取还是猜测？

本文提出了两方面的方法以提高 TempRel 的准确性，即进行反事实分析以减轻训练偏见的影响和提供不确定性估计并在文本中描述关系。在 MATRES，MATRES-DS 和 TDDiscourse 上的实验分析表明，我们的模型相对于 SOTA 方法更具有忠诚度，特别是在分布转移下。

Oct, 2022

超越分类：一种用于事件时间关系提取的统一框架

本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

May, 2023

领域知识增强的结构化神经网络，用于端到端事件时间关系提取

本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。

Sep, 2020

事件关系抽取的联合约束学习

提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

Oct, 2020