timeline-extraction

# 时间线抽取 Skill ## 数据来源 本 Skill 支持多种文档数据输入格式，核心数据来源包括： ### 1. 文档类型 - **案件文档**：法律案件文档、诉讼文档、仲裁文档 - **项目文档**：项目计划、项目报告、项目总结 - **事件文档**：事件报告、事故报告、新闻报告 - **历史文档**：历史记录、档案文档、日志文档 ### 2. 文本数据格式 - **纯文本格式**：.txt 文件，UTF-8编码 - **结构化文档**：PDF、Word、Excel文档（需预处理为文本） - **HTML网页**：网页内容 - **数据库文本字段**：从数据库直接读取的文本内容 ### 3. 时间信息类型 - **明确日期**：具体日期、时间点 - **相对时间**：相对时间表达、时间段 - **时间序列**：连续的时间事件序列 - **时间关系**：事件之间的时间关系 ### 4. 数据格式要求 - **文件路径**：本地文件路径或网络文件URL - **文件编码**：UTF-8、GBK、GB2312等 - **数据完整性**：需要包含完整的时间相关信息 > 说明：本 Skill 不包含数据采集功能，需要用户提供清洗后的文档数据。建议文档包含完整的时间信息，以便进行准确的时间线抽取。 --- ## 功能 本 Skill 提供全面的时间线抽取能力，涵盖多种抽取功能： ### 1. 时间实体识别 - **日期识别**：识别文档中的日期和时间 - **时间表达式识别**：识别时间表达式和相对时间 - **时间段识别**：识别时间段和持续时间 - **时间频率识别**：识别时间频率和周期 ### 2. 事件识别 - **事件提取**：提取文档中的事件描述 - **事件类型识别**：识别事件的类型和类别 - **事件描述提取**：提取事件的详细描述 - **事件关键词提取**：提取事件的关键词 ### 3. 时间线构建 - **时间点排序**：按时间顺序排序事件 - **时间线生成**：生成完整的时间线 - **时间线可视化**：生成时间线的可视化表示 - **时间线分段**：按时间段分段时间线 ### 4. 时间关系分析 - **因果关系识别**：识别事件之间的因果关系 - **时间顺序关系**：识别事件的时间顺序关系 - **时间间隔分析**：分析事件之间的时间间隔 - **时间模式识别**：识别时间模式和规律 ### 5. 实体关联 - **事件实体关联**：关联事件和相关实体 - **时间实体关联**：关联时间和相关实体 - **关系网络构建**：构建事件关系网络 - **实体时间线**：生成实体的时间线 ### 6. 高级处理功能 - **时间线合并**：合并多个文档的时间线 - **时间线对比**：对比不同时间线 - **时间线摘要**：生成时间线摘要 - **时间线查询**：支持时间线查询和检索 --- ## 使用示例 ### 输出示例 ```json { "source_info": { "document_id": "DOC001", "document_type": "legal_case", "source_file": "case_document.pdf" }, "timeline": { "events": [ { "event_id": "EVT001", "event_type": "case_filing", "event_description": "案件立案", "timestamp": "2024-01-15", "time_expression": "2024年1月15日", "confidence": 0.95, "entities": [ {"type": "person", "name": "张三"}, {"type": "organization", "name": "法院A"} ], "location": "法院A" }, { "event_id": "EVT002", "event_type": "hearing", "event_description": "开庭审理", "timestamp": "2024-03-20", "time_expression": "2024年3月20日", "confidence": 0.92, "entities": [ {"type": "person", "name": "李四"}, {"type": "organization", "name": "法院A"} ], "location": "法院A" }, { "event_id": "EVT003", "event_type": "judgment", "event_description": "判决结果", "timestamp": "2024-05-10", "time_expression": "2024年5月10日", "confidence": 0.98, "entities": [ {"type": "organization", "name": "法院A"} ], "location": "法院A" } ], "time_span": { "start": "2024-01-15", "end": "2024-05-10", "duration_days": 116 } }, "time_relations": [ { "source_event": "EVT001", "target_event": "EVT002", "relation_type": "before", "time_interval": 65 }, { "source_event": "EVT002", "target_event": "EVT003", "relation_type": "before", "time_interval": 51 } ], "statistics": { "total_events": 3, "event_types": ["case_filing", "hearing", "judgment"], "time_span_days": 116 } } ``` --- ## 注意事项与限制 ### 1. 数据质量要求 - 文档需要包含时间相关信息 - 时间表达需要清晰明确 - 事件描述需要完整 ### 2. 时间识别准确性 - 标准日期格式识别准确率较高 - 相对时间表达可能影响识别 - 模糊时间表达可能无法准确识别 ### 3. 事件抽取准确性 - 明确描述的事件识别准确率较高 - 隐含事件可能需要上下文分析 - 复杂事件可能需要人工分析 ### 4. 时间关系分析 - 明确的时间关系识别准确率较高 - 复杂时间关系可能需要人工分析 - 时间因果关系需要上下文支持 ### 5. 使用限制 - 本 Skill 不包含时间线编辑功能 - 抽取结果需要人工复核 - 复杂时间线可能需要人工构建 --- ## 参考资料 - 见 references/ 目录中的相关文档，包括： - 时间线抽取方法手册 - 时间实体识别算法说明 - 事件抽取指南 - 性能优化指南