L'extraction de relation temporelle d'événement (ETRE) est généralement formulée comme une tâche de classification multi-étiquettes, où chaque type de relation est simplement traité comme une étiquette unique. Cette formulation ignore le sens des relations et efface leur dépendance intrinsèque. Après avoir examiné les définitions des relations dans diverses tâches ETRE, nous observons que toutes les relations peuvent être interprétées en utilisant les points temporels de début et de fin des événements. Par exemple, la relation Includes pourrait être interprétée comme l'événement 1 commençant au plus tard à l'événement 2 et se terminant au plus tôt à l'événement 2. Dans cet article, nous proposons un cadre unifié d'extraction de relations temporelles d'événements, qui transforme les relations temporelles en expressions logiques de points temporels et complète l'ETE en prédisant les relations entre certaines paires de points temporels. Les expériences sur TB-Dense et MATRES montrent des améliorations significatives par rapport à une base de référence solide et surpassent le modèle de pointe de 0,3% sur les deux ensembles de données. En représentant toutes les relations dans un cadre unifié, nous pouvons tirer parti des relations avec suffisamment de données pour aider à l'apprentissage d'autres relations, obtenant ainsi une amélioration stable dans les scénarios de données faibles. Lorsque les définitions des relations sont modifiées, notre méthode peut rapidement s'adapter aux nouvelles en modifiant simplement les expressions logiques qui mappent les points temporels à de nouvelles relations d'événements.

La extracción de relaciones temporales de eventos (ETRE) generalmente se formula como una tarea de clasificación de etiquetas múltiples, donde cada tipo de relación se trata simplemente como una etiqueta de un solo punto. Esta formulación ignora el significado de las relaciones y elimina su dependencia intrínseca. Después de examinar las definiciones de relaciones en varias tareas ETRE, observamos que todas las relaciones se pueden interpretar utilizando los puntos de tiempo de inicio y finalización de los eventos. Por ejemplo, la relación Incluye podría interpretarse como el evento 1 que comienza a más tardar en el evento 2 y termina no antes del evento 2. En este artículo, proponemos un marco unificado de extracción de relaciones temporales de eventos, que transforma las relaciones temporales en expresiones lógicas de puntos de tiempo y completa el ETRE prediciendo las relaciones entre ciertos pares de puntos de tiempo. Los experimentos sobre TB-Dense y MATRES muestran mejoras significativas sobre una línea de base sólida y superan el modelo de vanguardia en un 0,3% en ambos conjuntos de datos. Al representar todas las relaciones en un marco unificado, podemos aprovechar las relaciones con datos suficientes para ayudar al aprendizaje de otras relaciones, logrando así una mejora estable en escenarios de datos bajos. Cuando se cambian las definiciones de relación, nuestro método puede adaptarse rápidamente a las nuevas simplemente modificando las expresiones lógicas que asignan puntos de tiempo a nuevas relaciones de eventos.

Event temporal relation extraction (ETRE) is usually formulated as a multi-label classification task, where each type of relation is simply treated as a one-hot label.This formulation ignores the meaning of relations and wipes out their intrinsic dependency.After examining the relation definitions in various ETRE tasks, we observe that all relations can be interpreted using the start and end time points of events.For example, relation Includes could be interpreted as event 1 starting no later than event 2 and ending no earlier than event 2. In this paper, we propose a unified event temporal relation extraction framework, which transforms temporal relations into logical expressions of time points and completes the ETRE by predicting the relations between certain time point pairs.Experiments on TB-Dense and MATRES show significant improvements over a strong baseline and outperform the state-of-the-art model by 0.3% on both datasets.By representing all relations in a unified framework, we can leverage the relations with sufficient data to assist the learning of other relations, thus achieving stable improvement in low-data scenarios.When the relation definitions are changed, our method can quickly adapt to the new ones by simply modifying the logic expressions that map time points to new event relations.

عادة ما يتم صياغة استخراج العلاقة الزمنية للحدث (ETRE) كمهمة تصنيف متعددة التسمية، حيث يتم التعامل مع كل نوع من العلاقات ببساطة على أنه تسمية ساخنة واحدة. تتجاهل هذه الصيغة معنى العلاقات وتمحو تبعيتها الجوهرية. بعد فحص تعريفات العلاقة في مختلف مهام ETRE، نلاحظ أنه يمكن تفسير جميع العلاقات باستخدام نقاط وقت البدء والانتهاء للأحداث. على سبيل المثال، يمكن تفسير تضمينات العلاقة على أنها الحدث 1 الذي يبدأ في موعد لا يتجاوز الحدث 2 وينتهي في موعد لا يتجاوز الحدث 2. في هذه الورقة، نقترح إطارًا موحدًا لاستخراج العلاقة الزمنية للحدث، والذي يحول العلاقات الزمنية إلى تعبيرات منطقية للنقاط الزمنية ويكمل ETRE من خلال التنبؤ بالعلاقات بين أزواج معينة من النقاط الزمنية. تُظهر التجارب على TB - Dense و MATRES تحسينات كبيرة على خط أساس قوي وتتفوق على النموذج الحديث بنسبة 0.3 ٪ على كلا مجموعتي البيانات. من خلال تمثيل جميع العلاقات في إطار موحد، يمكننا الاستفادة من العلاقات مع البيانات الكافية للمساعدة في تعلم العلاقات الأخرى، وبالتالي تحقيق تحسن مستقر في سيناريوهات البيانات المنخفضة. عندما يتم تغيير تعريفات العلاقة، يمكن أن تتكيف طريقتنا بسرعة مع التعابير الجديدة ببساطة عن طريق تعديل التعبيرات المنطقية التي تحدد الوقت لعلاقات الأحداث الجديدة.