[论文解读] An Annotation Scheme for Reichenbach's Verbal Tense Structure

Leon Derczynski, Robert Gaizauskas|arXiv (Cornell University)|Mar 22, 2012

Natural Language Processing Techniques参考文献 18被引用 6

一句话总结

本文提出了RTMML，一种扩展时间标注的标记语言，通过显式建模Reichenbach的三个抽象时间点——说话时间（S）、事件时间（E）和参照时间（R）——以提高自然语言中时态和时间关系处理的精确度。通过支持参照时间的准确追踪，RTMML实现了回指时间表达式的正确归一化和高精度的时间链接标注，解决了现有系统（如TimeML和GUTime）中的一个关键局限。

ABSTRACT

In this paper we present RTMML, a markup language for the tenses of verbs and temporal relations between verbs. There is a richness to tense in language that is not fully captured by existing temporal annotation schemata. Following Reichenbach we present an analysis of tense in terms of abstract time points, with the aim of supporting automated processing of tense and temporal relations in language. This allows for precise reasoning about tense in documents, and the deduction of temporal relations between the times and verbal events in a discourse. We define the syntax of RTMML, and demonstrate the markup in a range of situations.

研究动机与目标

• 解决现有时间标注方案（如TimeML和TCNL）中缺乏显式参照时间建模的问题。
• 通过追踪话语中的参照时间（R），实现对回指性和指示性时间表达式的精确归一化。
• 通过利用Reichenbach的三点时态模型（S、E、R）提升自动时间关系标注的性能。
• 通过显式表示时间参照点，支持话语中高精度的时间锚定和事件排序。
• 为将Reichenbach的时态理论整合到计算语言学和NLP流程中奠定基础。

提出的方法

• 设计基于XML的RTMML标记语言，用于为每个动词或动词短语标注说话时间（S）、事件时间（E）和参照时间（R）。
• 定义RTMML元素的句法结构，包括<verb>、<timerefx>和<rtmlink>，以通过参照点链接事件和时间。
• 利用S、E和R之间的位置关系（例如，E < R 表示过去完成时）来推断时间关系并解决歧义。
• 将RTMML与现有时间标注标准（如TimeML）集成，以支持在事件和链接标注的同时共同标注Reichenbach时间点。
• 应用参照时间估计启发式方法（例如，缺省使用文档创建日期），并针对GUTime等系统中的已知错误源进行验证。
• 开发标注工具，并创建与TimeML对齐的RTMML标注文本语料库，用于评估和未来机器学习应用。

实验结果

研究问题

• RQ1 Reichenbach的三点时态模型（S、E、R）如何在机器可读的标记语言中有效编码，以支持自然语言处理？
• RQ2 显式建模参照时间（R）在多大程度上提升了话语中时间表达式归一化的准确性？
• RQ3 RTMML是否能通过捕捉事件被观察的视角，实现更准确的时间链接标注？
• RQ4 参照时间追踪如何影响当前通过启发式方法近似R的系统（如GUTime和TEA）的性能？
• RQ5 在真实文本中标注S、E和R的实际挑战是什么？歧义又该如何解决或表示？

主要发现

• RTMML实现了对Reichenbach参照时间（R）的显式标注，而这一要素在现有时间标注标准（如TimeML和TCNL）中缺失。
• 正确追踪参照时间可解决回指时间表达式的歧义，例如相对于话语语境引用的日期（如“4月26日前”）。
• 该模型可实现时间关系的精确推断：例如，在“约翰告诉我这个消息，但我已经寄出信件”中，过去完成时表明E < R，即寄信事件发生于告知事件之前。
• 由于错误的参照时间假设，GUTime等系统错误率超过10%，而RTMML通过显式建模R直接解决了该问题。
• 对参照时间的启发式近似（如在TEA和HeidelTime中）在启用时可提升性能，证实了建模R可增强归一化准确性。
• RTMML为未来基于机器学习的自动Reichenbach时态标注方法提供了基础，有望提升NLP系统中的时间推理能力。