朱乐俊，王卫民

（江苏科技大学 计算机学院，江苏 镇江 212003）

0 引言

时间表达式在日常语句中十分常见，在语句理解中扮演着非常重要的角色。在自然语言中，时间是重要的语义载体，揭示事件从发生、发展到结束的过程［1］。有效识别时间表达式对于后续时间序列分析、事件抽取、智能对话理解均有重要作用。近年来人工智能的众多应用，包括智能客服、对话机器人等都离不开对时间信息的理解。比如在客服系统中包含时间信息的问句：“下个星期五畅游天翼活动还有吗”，又或者在对话机器人中发出指令“帮我订张星期三上午的火车票”，在此类情况中都需要准确理解时间信息。

文本中时间表达式识别难点主要在于边界难以划分，通常主要采取两种方式进行识别。第一种为基于规则的方法，利用时间表达式语法结构特点构造一系列规则进行匹配，可解释性强，但维护难度很大；第二种方式为基于机器学习的方法，一般采用条件随机场与隐马尔可夫模型以及最大熵模型，将时间表达式识别转变为序列标注问题。本文利用机器学习方法，在使用条件随机场的情况下加入词向量表达能力更加强大的预训练语言模型，并将时间词汇的特征编码代入深度学习模型中，使时间表达式识别效果大幅提升。

1 相关工作

时间表达式是自然语言处理中的基础任务，在信息抽取中具有重要地位，国内外学者对此开展了一系列研究。国外相关……