使用大型语言模型和上下文学习，通过样本选择策略实现时间表达归一化，取得了与此任务相关模型相媲美的竞争性结果，并在非标准设置中通过动态包含相关示例在推断过程中实现大幅度的性能改进。

Apr, 2024

本研究使用组合类别语法的句法分析方法和基于逻辑的 NLI 系统，利用时态关系公理和自动证明器，分析复杂的日语时态和方面表达方式，实现了针对日语中的时态关系推断。实验测试表明，我们提出的系统优于之前的基于逻辑的系统和现有的深度学习模型。

Apr, 2022

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

本文旨在向已有视频语言模型注入时间感，通过后预训练等方式实现，观察经过处理后的模型在时间感知任务中的性能提升情况，并在六个数据集上进行了零样本评估。

Jan, 2023

XLTime 使用预训练语言模型和多任务学习，在英语和非英语语言之间促进跨语言知识转移，以减轻目标语言数据短缺引起的问题，在法语、西班牙语、葡萄牙语和巴斯克语等语言上表现优于先前的自动 SOTA 方法，并且显著缩小了手工制作的 HeidelTime 方法的差距。

May, 2022

本文基于 BERT 开发了几种 BERT-based 时间依赖句法分析器，表明 BERT 显著提高了时间依赖分析的性能。并对于深度上下文化语言模型有哪些帮助及不足进行了详细分析。

Apr, 2020

提出了一种基于遮蔽语言模型的新型神经网络方法用于归一化时间表达式，其在多语言情况下优于传统的基于规则的系统，并在低资源语言方面取得了高达 33 F1 的表现提升。

May, 2022

本文提出了一种基于数据密集的方法来推断句内时间关系，旨在实现 NLP 应用中的时间信息的提取和综合，比如摘要和问答，通过利用像 after 这样的标记来避免手动编码的需求，我们的方法首先表明，训练模型可以在用时暂未看到的情况下选择正确的标记，然后评估所提出的方法是否有望半自动创建时间注释，比较了许多概率模型在不同方面的差异。

Oct, 2011

本研究提出了一个针对时态推断的日语 NLI 基准 Jamp，用于评估单语 / 多语言模型的泛化能力；在评估中发现，语言模型在某些特定的语言现象，例如习惯性表达中，存在应对困难，因此有必要研究跨语言的有效 NLI 模型。

Jun, 2023

通过在段落中找到对时间相关问题的答案，我们的工作旨在利用一种被广泛应用于一般问答的方法，即答案提取。为了训练我们的模型，我们提出了一个新的数据集，灵感来自于 SQuAD，并专门为提供丰富的时间信息进行了调整。我们选择了适应于历史上最重要冲突的文集 WikiWars。我们的评估表明，通过训练进行模式匹配的深度学习模型，可以适应于处理时间相关问题，但需要对答案直接存在于文本中的问题进行回答。

Nov, 2023