从文本中提取相关原因和效果,检测因果关系的任务中,通过对三种序列标记模型进行彻底分析,并将其与基于跨度的因果性抽取方法进行比较,我们发现,与以往的复杂架构的最新模型相比,预训练语言模型(如 BERT)提供了显著的性能提升。我们观察到,基于跨度的模型在所有 4 个来自不同领域的数据集中,对于不同类型的因果短语表现更好。
Aug, 2023
提出一种基于时间序列的 Granger 因果关系并结合文本数据进行因果关系的提取,建立事实间的因果联系,使用神经元的推理算法训练常识因果关系对下一个因果步骤的预测,并取得了实验证据支持该方法从时间序列文本特征中提取有意义的因果联系并生成适当解释
Jul, 2017
本篇论文探讨了使用句子语境与事件信息以及利用掩码事件语境和领域内外数据分布来识别自然语言文本中事件之间的因果关系,并证明该方法在三个不同的数据集上均取得了最新技术的表现,可用于从非结构化文本中提取因果关系图或建立事件链。
Dec, 2020
该研究提出了一种用于从医学文献中提取因果关系实体的无监督方法名称为 PatternCausality,并在 PubMed 文章中的语句上完成的实验验证了该方法相比于现有方法在提取因果关系实体时具有更高的召回率和精度。
Mar, 2022
该研究是一项针对自然语言处理中的因果关系研究,旨在提供因果推理与语言处理的交叉研究概述,并介绍了文本统计学方面的挑战和机遇,以及如何利用因果推理来提高 NLP 模型的健壮性,公平性和可解释性。
Sep, 2021
本研究提出了一种基于条件的文本生成框架,依赖于 CausalBank 和 Cause Effect Graph 两个新资源开发,并使用词汇约束解码来支持析取正约束,利用 CausalBank 对最近一种最先进的因果推理模型的编码器进行持续训练,在不改变模型架构的情况下在 COPA 挑战集上取得了 3 分的提高。
Jul, 2021
本文提出一个集成时间和因果关系提取的框架,在该框架中,通过利用因果关系中事件先行的假设,将两个提取组件整合成一个系统,使用词嵌入和训练数据扩展等方法来改善关系提取系统,并介绍了将时间信息处理应用于其他语言的适应性尝试。
Apr, 2016
论文提出了一种基于序列标注的原因提取方法,使用 SCITE,一个基于 BiLSTM-CRF 的神经因果提取器,并引入多头自注意力机制和 Flair embeddings 以提高性能,并在公共数据集上进行实验,结果表明相比于基线方法,该方法取得了显著且一致的提升。
Apr, 2019
本文提出了一种从新闻中构建因果知识图谱的方法,其中采用了基于 BERT 的抽取模型和主题模型等技术,最终实现了高召回率、高精度和高连通性的知识图谱,有效地捕捉和传达因果关系。
May, 2023
本文提供了一个注释指南并开发出一个带有基线分数的注释语料库来识别生物医学概念之间在医疗笔记中的暗示或明确的因果关系。在医疗文本中高度的评分一致性显示了我们注释指南的质量,而提供的基线 F1 分数则为未来研究向理解医疗文本中的叙述走向奠定了方向。
Oct, 2021