ACLAug, 2017

通过博客和电影推断细粒度事件因果关系

PDF
TL;DR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。
causal relationscomputational modelsknowledge acquisitionunsupervised methodnarrative genres
发现论文，激发创造
  • 学习关于日常事件之间的环境关系的细粒度知识

    通过普通人提供的社交媒体用户生成内容，我们开发并测试了一种新颖的方法，从中学习关于日常事件之间的因果和条件关系的细粒度常识知识，该方法对于文本和故事理解、信息提取、问题回答和文本摘要具有重要意义，并且我们的实验证明，使用特定主题数据集可以学习到更精细的事件知识，并且相对于基线得到了显着的改进。

    Aug, 2017

  • 计算机故事理解的关键：事件因果关系

    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

  • 针对细粒度因果推理和问答的探索

    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

  • 从电影场景中无监督归纳出特定事件对

    本文关注了人类在叙事中的推理行为，提出了一种基于无监督方法和借鉴先前工作的事件对概率建模的方法，通过利用网络搜索数量和人类判断的连续性来提高准确率。

    Aug, 2017

  • 针对时间序列事件从文本中检测和解释原因

    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

  • 为虚假新闻检测进行细粒度推理

    通过模拟人的信息处理模型、引入人类知识、设计先验感知的双通道核心图网络来检测假新闻，取得了比现有方法更好的效果和可解释性。

    Sep, 2021

  • 从新闻构建和解释因果知识图谱

    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

  • EventGround: 基于事件为中心的知识图谱的叙事推理

    通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

    Mar, 2024

  • 因果新闻语料库：标注新闻事件句中的因果关系

    该研究提出了一种用于事件因果关系注释的注释模式，为此构建了一个名为 Causal News Corpus（CNC）的语料库，并使用神经网络在测试集上获得了 81.20％ F1 得分，CNC 是对外部语料库可转移的，也是文本挖掘研究人员的有价值资源。

    Apr, 2022

  • 细粒度时间关系提取

    本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

    Feb, 2019