Die meisten bisherigen Arbeiten zum Extrahieren von zeitlichen Beziehungen konzentrierten sich lediglich auf die Identifizierung zeitlicher Relationen zwischen Ereignissen oder litten unter der Herausforderung unterschiedlicher Ausdrucksformen von Ereignissen, Timexen und dem Dokumenterstellungszeitpunkt (Document Creation Time, DCT). Zudem kann der DCT als zentrales Element fungieren, um die anderen Ereignisse und Timexen in einem Dokument semantisch zu verbinden. Leider können frühere Ansätze dieser kritischen Information nicht nutzen. Um diese Probleme zu bewältigen, schlagen wir ein einheitliches, DCT-zentriertes Modell für die Extraktion zeitlicher Beziehungen, DTRE, vor, um die Beziehungen zwischen Ereignissen, Timexen und dem DCT zu identifizieren. Konkret wird eine satzartige DCT-Repräsentation eingeführt, um das erste Problem zu lösen und die Ausdrucksformen von Ereignissen, Timexen und DCT zu vereinheitlichen. Anschließend wird ein DCT-berücksichtigender Graph verwendet, um kontextuelle strukturelle Repräsentationen zu erlangen. Darüber hinaus wird ein DCT-geführtes Multi-Task-Lernframework vorgeschlagen, das die gleichzeitige Vorhersage dreier Arten zeitlicher Beziehungen in einem Batch ermöglicht. Schließlich wird eine DCT-gesteuerte globale Inferenz angewandt, um die globale Konsistenz zwischen den verschiedenen Beziehungen weiter zu verbessern. Experimentelle Ergebnisse auf drei Datensätzen zeigen, dass unser DTRE mehrere SOTA-Baselines hinsichtlich E-E, E-T und E-D signifikant übertrifft.