针对时间序列事件从文本中检测和解释原因
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
CAUSE 是一个新颖的框架,通过拟合神经点过程来隐式捕捉事件互依存关系,然后使用公理归因方法从过程中提取格兰杰因果统计量,以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上,CAUSE 表现优于一系列最先进的方法,能够正确推断一系列事件类型之间的格兰杰因果关系,包括在具有不同事件互依存关系的数据集上。
Feb, 2020
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件,通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法,它已将 Hawkes 过程的 Granger 因果分析算法扩展到包括用户反馈的因果模型细化,并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。
Sep, 2020
本文探讨了通过采用语篇分析构建自动化分析因果关系解释的方法,包括因果关系检测和因果解释识别,展示了完整流水线的应用程序,并探讨了在社交媒体上进行自动化分析的应用领域。
Sep, 2018
本文介绍了一种新的精细化因果推理数据集,并在自然语言处理中提出了一系列新的预测任务,例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明,数据集中的复杂关系对最先进的方法带来了独特的挑战,并强调了潜在的研究机会,特别是在发展 "因果思维" 方法方面。
Apr, 2022
利用大型语言模型 (LLM) 的最新进展,我们提出了首个事件因果识别方法,从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系,我们的技术表现与监督模型相当,同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进,我们的发现表明事件因果在计算机故事理解中有巨大的潜力。
Nov, 2023