本研究通过对社交媒体上精神疾病分类进行多类因果关系分析,发现因果关系解释的重叠问题是导致错误预测的主要挑战之一,并通过采用一些解决方法验证了该假设的有效性。实验结果表明,使用 LIME 和 Integrated Gradient(IG)方法,该方法的类别平均分数为 $81.29%$ 和 $0.906$。
Oct, 2022
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
本文综述了早期人类构造的语言和句法规则以及最新机器学习技术在提取因果关系上的应用,并分析了它们的优劣,建议未来的研究方向。
May, 2016
本研究使用 transformer 模型对 CAMS 数据集进行预训练的迁移学习,改善了现有分类器的效率,准确性取得了提升,证明了在社交媒体上对于心理健康分析中的因果关系的识别是必要的。
Jan, 2023
这篇论文提出了一种从因果推断角度出发的合理化模型,利用新提出的合理化结构因果模型计算了一系列的因果概率,从而得到了高效的合理化结果,实验表明该方法在真实世界的评论和医疗数据集上的性能优于最先进的方法。
Jun, 2023
本文旨在通过神经技术与其他方法结合,针对社交媒体的文本实现危机检测与解释。通过 Koko 等应用程序中的情感支持网络等独特数据集,获得的样本数据被标注以符合其危机性质及解释,探索了多种方法后我们的最佳技术方案在检测和解释方面表现显著超越了基线。
May, 2017
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
聊天软件等社交媒体的人际互动对个人心理状况具有暗示作用,而计算智能技术、自然语言处理等方面的持续发展为探讨导致用户在线上状况的原因与心理效应提供了一种全新的视角和工具。本文旨在进一步探讨其中两大关键方向:寻找因果关系与推理发生在用户意识中影响的各种心理角度,在自然语言处理的范畴内通过最新的话语分析技术拓展思路空间,以发掘心理计算学问题的更多潜在解决方案。
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