초록
우리는 영문 텍스트에서 시제적 관계 및 인과 관계 추출 및 분류를 수행하기 위해, 시제 모델과 인과 모델 간의 상호작용을 활용한 체계적 접근 방식인 CATENA를 제안한다. 각 스크리브(sieve)의 성능을 평가한 결과, 규칙 기반, 기계학습 기반, 추론 구성 요소 모두 TempEval-3 및 TimeBank-Dense 데이터셋에서 최첨단 성능을 달성하는 데 기여함을 확인하였다. 비록 인과 관계는 시제 관계에 비해 훨씬 희박하지만, 제안된 아키텍처와 선택된 특징들은 두 작업 모두에 적합한 구조를 가지고 있다. 시제 요소와 인과 요소 간의 상호작용 효과는 제한적이지만, 그 결과는 유망하며, 텍스트의 시제적 차원과 인과적 차원 간의 밀접한 연결성을 확인시켜 준다.