摘要
我们提出了CATENA，一种基于筛法（sieve-based）的系统，用于从英文文本中提取并分类时间关系与因果关系，充分利用了时间模型与因果模型之间的交互作用。我们对每个筛法模块的性能进行了评估，结果表明，基于规则的方法、机器学习方法以及推理组件均对在TempEval-3和TimeBank-Dense数据集上达到当前最先进（state-of-the-art）的性能起到了关键贡献。尽管因果关系在文本中远比时间关系稀疏，但该系统的架构及所选特征在很大程度上适用于两类任务。虽然时间与因果组件之间的交互作用效果有限，但其带来的结果仍具前景，进一步证实了文本在时间维度与因果维度之间存在紧密关联。