本文开发了一种基于新闻领域概率性知识库的资源，提取事件之间的时间关系，可以用来改进现有的时间抽取系统，并提供有用的统计信息，从而有助于其他时间感知任务的开展。

Apr, 2018

使用结构化故事情节和强化学习生成更有趣的故事和闪回，同时保持文本多样性，流畅性和时间上的一致性

May, 2022

本文提出了一种神经网络架构和一组训练方法，用于通过预测时间关系来排序事件。我们的模型在 MATRES 数据集上实现了新的最先进结果，方法包括预训练表示方法、多任务学习和自我训练技术。

Apr, 2020

本研究提出了一种新的神经系统，通过采用语境化单词嵌入，一个时间常识知识库的连体编码器和整数线性规划的全局推理，在 MATRES 数据集上进行训练，取得了一个基准数据集上绝对精度提高约 10％（25％的误差降低）的结果。我们认为，这种新方法可以为未来研究提供一个强大的基准线。

Sep, 2019

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

本文提出一个集成时间和因果关系提取的框架，在该框架中，通过利用因果关系中事件先行的假设，将两个提取组件整合成一个系统，使用词嵌入和训练数据扩展等方法来改善关系提取系统，并介绍了将时间信息处理应用于其他语言的适应性尝试。

Apr, 2016

本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列，该词序列与两个事件提及之间的依赖路径很好地对齐，并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入，提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征，以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。

Jul, 2017

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

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

本研究提出了一种新的时间信息提取模式，通过直接从文本预测事件的起止点来构建时间线，该模式实现了线性复杂度，利用 TimeML 风格的注释训练新的模型，结果表现出很好的效果。

Aug, 2018