Die Extraktion zeitlicher Relationen zielt darauf ab, zeitliche Beziehungen zwischen Ereignispaaren zu identifizieren, was für das Verständnis natürlicher Sprache von entscheidender Bedeutung ist. Bisher wurden nur wenige Anstrengungen unternommen, um globale Merkmale zu erfassen. In diesem Paper stellen wir RSGT: Relational Structure Guided Temporal Relation Extraction vor, um relationale Strukturmerkmale zu extrahieren, die sowohl für inter-sentenziale als auch für intra-sentenziale Relationen geeignet sind. Konkret konstruieren wir einen syntaktisch-und-semantisch basierten Graphen, um relationale Strukturen zu erfassen. Anschließend präsentieren wir ein auf Graphen-neuronalen Netzen basierendes Modell, um die Repräsentation dieses Graphen zu lernen. Danach wird eine Hilfsaufgabe zur Vorhersage zeitlich benachbarter Ereignisse eingesetzt, um den Encoder zu feinabstimmen und umfassendere Knotenrepräsentationen zu erzielen. Schließlich wenden wir einen Konflikterkennungs- und Korrekturalgorithmus an, um falsch vorhergesagte Labels zu korrigieren. Experimente auf zwei bekannten Datensätzen, MATRES und TB-Dense, belegen die Überlegenheit unseres Ansatzes (2,3 % F1-Verbesserung auf MATRES, 3,5 % F1-Verbesserung auf TB-Dense).