TLEX：从TimeML时间图中提取精确时间线的高效方法

时间线提供了事件和时间的全序，对于许多自然语言理解任务非常有用。然而，可以直接从文本中推导出的定性时间图——例如TimeML注释——通常只显式揭示事件和时间的偏序。在这项工作中，我们将先前关于求解点代数问题的工作应用于从TimeML注释文本中提取时间线的任务，并开发了一个精确的端到端解决方案，我们称之为TLEX（时间线提取）。TLEX将TimeML注释转换为按树干-分支结构排列的时间线集合。与先前工作一样，TLEX检查时间图的一致性并求解；然而，它增加了两个新颖的功能。首先，它识别出涉及不一致性的具体关系（然后可以手动修正），其次，TLEX对时间线中顺序不确定的部分进行了新颖的识别，这些信息对于下游任务（如对齐来自不同时间线的事件）至关重要。我们提供了TLEX中算法组件的详细描述和分析，并通过将TLEX应用于来自四个语料库的385个TimeML注释文本进行了实验评估。我们表明，其中123个文本不一致，181个文本有多个“真实世界”或主时间线，并且所有四个语料库中共有2541个不确定部分。抽样评估显示，TLEX在五个维度上（时间点的顺序、主时间线的数量、时间点在主时间线与从属时间线上的放置、分支时间线的连接点以及不确定部分的位置）的准确率为98-100%，置信度为95%。我们提供了TLEX的参考实现、所有文本的提取时间线以及不一致文本的手动修正。