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

该论文总结了 17 个团队提交的结果以及 12 篇系统描述论文，介绍了他们在 CASE 2022 的事件因果性识别共享任务的表现。最好的 F1 分数分别为 86.19％和 54.15％，所有表现最佳的方法都涉及针对目标任务进行微调的预先训练的语言模型。本文还讨论了这些方法并分析了参与者系统中的错误。

Nov, 2022

该论文研究了利用基于 BERT 模型的自动化抽取技术进行抗议新闻因果关系检测的方法，提出了利用自定义的交叉熵损失函数的方法，实验结果表明 BERT-based-uncased 在 Causal News Corpus 数据集上的 F1 分数达到了 0.8501。

Oct, 2022

提出 UniCausal 标准化数据集作为因果文本挖掘的基准，包括因果序列分类、原因 - 结果跨度检测和因果对分类等三项任务，并利用 BERT 预训练模型作为初始基准测试，取得了不同任务的二元 F1 分数，为研究人员提供了一个有利的研究平台。

Aug, 2022

本文描述了我们在 CASE-2022 中参加亚任务 1: 使用正式新闻语料库的事件因果关系识别。我们通过利用一组简单但互补的技术，在少量有注释的示例（即少数派配置）上对语言模型（LM）进行微调，从而解决了因果关系识别（CRI）任务。我们比较了这种方法与在整个数据集上训练的集成技术的表现。我们的表现最佳的提交仅使用了每类 256 个实例的微调，占所有可用数据的 15.7％，而且具有次佳的精度（0.82），第三高的准确度（0.82），F1 分数（0.85）非常接近胜利团队所报道的（0.86）。

Sep, 2022

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

本文总结了我们对第一个 DialDoc 共享任务两个子任务的参与，重点是目标导向的文档基础对话中代理响应预测任务。我们采用限制的有效跨度数据集，利用双仿射分类器模拟跨距，最后使用不同模型的集合。在第二个子任务中，我们采用级联模型，它在预测跨度而不是整个文档时进行响应预测。通过这些方法，我们在两个子任务中相比基线都获得了显着的改进。

Jun, 2021