Timeline Extraction

---
name: timeline-extraction
description: 用于案件/项目时间线的时间线抽取原子 skill，适用于通用行业信息抽取场景。
---

# 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