本研究同时使用静态和时变词嵌入来衡量事件对词汇的影响，通过创建历史转折点的时间轴来了解目标词的演化，定量评估结果表明这种技术可以捕捉语义变化和事件影响。

Sep, 2019

本论文提出了一种统一的时间轴摘要生成器 (UTS)，它可以按时间顺序生成抽象和抽取式时间轴摘要，其中图形事件编码器和事件级关注机制是关键组成部分，实现了最先进的性能水平。

Jan, 2023

本论文提出了一种优化框架，设计用于平衡文章和评论摘要之间的主题连贯性以及其信息性和事件覆盖面。在真实数据集上自动评估表明，与现有系统相比，我们的系统生成的时间线更具信息性。在人类评估中，相关评论摘要更被认为具有洞察力。

Jun, 2016

本文提出了一种名为 TIMEMACHINE 的方法，用于生成知识库中实体的事件和关系时间轴，并发展了三个正交的时间轴质量标准来满足理想的时间轴时必须满足的条件，我们提出了一种基于子模不优化和 Web 协同出现统计的算法来为特定时间段和屏幕大小生成这样的时间轴。

Feb, 2015

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

通过对传统提示技术进行扩展，我们的研究在各种新闻数据集上证明了增强提示效果的有效性，使新闻时间线生成成为专业使用的实际工具，并已部署为公开可访问的浏览器扩展程序。

Nov, 2023

构建时间线需要识别文章中事件的时间顺序。为了解决缺失时间信息的问题，我们开发了一个新的评估数据集 TimeSET，其中包含具有文档级顺序注释的单文档时间线。通过使用基于显著性的事件选择和部分排序，TimeSET 能够实现实用的注释工作负载。为了构建更好的自动时间线构建系统，我们提出了一个新的评估框架，通过提示开放式 LLMs（例如 Llama 2 和 Flan-T5）使用 TimeSET 来比较多个任务表述。考虑到识别事件的时间顺序是时间线构建中的核心子任务，我们还在现有的事件时间顺序数据集上对开放式 LLMs 进行了基准测试，以获得他们能力的稳健理解。我们的实验结果表明，（1）采用 Flan-T5 的 NLI 表述在其他表述中呈现出较强的性能，而（2）时间线构建和事件时间顺序仍然是少样本 LLMs 面临的挑战性任务。我们的代码和数据可以在此链接找到。

Mar, 2024

本文提出了一种利用实体而非句子进行事件时间轴摘要的新方法，该方法为回顾性事件考虑提供重要的记忆提示，并在个性化事件探索方面起到指针作用，同时提出了一种用于实体排名的学习方法，并以 Wikipedia 为基础的创新性软标签方法来捕捉实体的集体关注度。实验证明了所提出方法的有效性。

Jan, 2017

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

通过引入背景新闻摘要机制，结合时间轴更新，我们构建了一个数据集，并通过人工标注人员为每个新闻事件的每个时间步骤编写了背景摘要。我们提出了一个问题导向的变体来生成背景摘要，并使用基于问答的评估指标 Background Utility Score（BUS）评估了摘要质量。实验结果表明，在 Fine-tuned 系统（如 Flan-T5）和零 - shot 性能强大的 GPT-3.5 的指导下，背景摘要表现出很好的效果。

Oct, 2023