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

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

该论文探讨了一种利用编码器 - 解码器框架和指针网络实现因果关系提取的生成式方法，并使用金融领域的因果数据集进行实验，结果表现出了极高的性能水平。

Apr, 2022

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

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

本文提出了 CauSeRL 方法，基于自我监督和对比转移策略，通过利用外部因果语句来识别事件因果关系，实现从环境上学习因果模式并提高模型的性能。实验结果表明，该方法在 EventStoryLine 和 Causal-TimeBank 上比先前研究的方法分别提高 2.0 和 3.4 个 F1 值点。

Jun, 2021

通过基于预训练变换器、序列标注和合成数据增强的系统，我们在 Subtask 1 中排名第三，在 F1 得分为 72.8 的情况下赢得了 Subtask 2，较第二名系统高出 13 个百分点。

Dec, 2023

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

本文介绍了我们参加 EMNLP 2022 的 CASE 研讨会的情况，利用自我训练方法解决了事件因果关系检测的问题，并验证了在不同训练集数量下模型性能的变化，结果表明自我训练可以显著提高模型性能，代码可在此 https 链接中公开获取。

Nov, 2022

本文介绍了我们在 CASE-2022 下共享任务 Subtask 2 的提交，即使用 Casual News Corpus 进行事件因果性识别。我们使用预先训练的自回归语言模型 T5，通过迭代方法识别句子中的 cause-effect-signal spans。尽管训练样本非常少，仅有 160 个样本，但我们的方法在比赛中表现出竞争力，排名第二。此外，我们表明假设 cause→effect 或 effect→cause 顺序可以获得类似的结果。

Sep, 2022