في هذا البحث، نسعى إلى تحسين دقة نماذج استخراج العلاقات الزمنية (TempRel) من وجهتين. الوجهة الأولى هي استخراج المعلومات بشكل حقيقي بناءً على الوصف السياقي. لتحقيق هذا، نقترح إجراء تحليل مضاد للواقع لتخفيض آثار نوعين مهمين من التحيزات في التدريب: تحيز محفز الحدث وتحيز التسميات المتكررة. كما نضيف معلومات الزمان إلى تمثيلات الأحداث لوضع التركيز بوضوح على الوصف السياقي. الوجهة الثانية هي تقديم تقدير صحيح للم certainty والامتناع عن الاستخراج عندما لا يتم وصف أي علاقة في النص. من خلال معلمة التوزيع الأولي ديrichليت (Dirichlet Prior) فوق التوزيع الفئوي الذي يتوقعه النموذج، نحسن تقديرات النموذج لاحتمالية الصحة ونجعل تنبؤات TempRel أكثر اختيارية. كما نستخدم إعادة ضبط درجة الحرارة لتعيد حساب مقاييس ثقة النموذج بعد تخفيف التحيز. من خلال التحليل التجريبي على MATRES، MATRES-DS، و TDDiscourse، نثبت أن نموذجنا يستخرج العلاقات الزمنية والخطوط الزمنية بشكل أكثر دقة مقارنة بالطرق الرائدة في المجال (SOTA)، خاصة تحت تحولات التوزيع.