摘要

在本文中，我们从两个角度出发，旨在提高时间关系（TempRel）提取模型的忠实度。第一个角度是基于上下文描述的真实提取。为了实现这一目标，我们提出进行反事实分析，以减弱两种主要训练偏差的影响：事件触发偏差和频繁标签偏差。此外，我们将时态信息纳入事件表示中，以便明确强调上下文描述。第二个角度是在文本未描述任何关系时提供适当的不确定性估计并避免提取。通过在模型预测的分类分布上参数化狄利克雷先验（Dirichlet Prior），我们改进了模型对正确性的概率估计，使时间关系预测更加选择性。我们还采用了温度缩放技术，在减轻偏差后重新校准模型的置信度量。通过对MATRES、MATRES-DS和TDDiscourse数据集的实验分析，我们证明了我们的模型在忠实度方面优于现有最佳方法（SOTA），尤其是在分布偏移的情况下。