Mar, 2024

用根据和结构的因果问答提升事件因果性鉴定

PDF
TL;DR提出了一种多任务学习框架，通过因果性问题回答和事件结构图，增强了文档级事件因果性识别，并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。
document-level event causality identificationpre-trained language modelsmulti-task learning frameworkcausal question answeringevent structure graph
发现论文，激发创造
  • 语义结构增强的事件因果关系识别

    本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

    May, 2023

  • ERGO: 文档级事件因果关系识别的事件关系图转换器

    本文提出了一种新颖的 ERGO 框架，用于文档级事件因果关系识别，并通过构建事件关系图形式化 DECI 为一个节点分类问题，引入了边缘构建策略和自适应聚焦损失来处理由伪相关性引起的大量误报。通过广泛的实验和案例研究，本文表明 ERGO 比之前的 SOTA 方法显着提高，未来有值得深入研究的方向。

    Apr, 2022

  • LearnDA: 可学习的知识引导数据增强用于事件因果关系识别

    本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

    Jun, 2021

  • 零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习

    本文提出了一种多粒度对比迁移学习的异构图交互模型，用于零样本跨语言文档级事件因果识别，模型在多语言环境中相比之前的最先进模型提高了 9.4% 的平均 F1 得分，并且在整体性能方面，超过了 GPT-3.5 少样本学习 24.3% 的性能。

    Mar, 2024

  • 事件因果关系提取与事件参数相关性

    本文提出了一种名为 Event Causality Extraction（ECE）的新任务，旨在从文本中提取带有结构化事件信息的因果关系，并使用双网格标记方案和事件类型增强模型架构来实现该任务，实验证明了该方法的有效性，并指出了 ECE 的一些未来方向。

    Jan, 2023

  • 文档事件因果性识别的同时学习

    本文提出了一种迭代学习和识别框架，用于事件因果关系识别任务，通过更新事件的因果结构表示来提高因果识别的性能。实验证明，我们的方法在因果存在识别和方向识别的评估中优于现有的算法。

    May, 2024

  • 面向跨文档事件共指消解的因果关联数据增强方法

    基于预训练语言模型（PLMs），事件共指消解（ECR）系统通过聚类跨文档的语义指示共指事件展现出了出色的性能；然而，现有系统在输入提及对中展现出对 “触发词词汇匹配” 的过度依赖；我们基于结构因果模型（SCM）对基线 ECR 系统的决策过程进行形式化，旨在识别 ECR 任务中的伪因果关联（即依据）；借助反事实数据增强的去偏方法，我们开发了一种以依据为中心的反事实数据增强方法，结合了 LLM 循环；该方法专门针对 ECR 系统的两两输入，在触发词和上下文上进行直接干预，以减少伪关联并强调因果关系；我们的方法在三个流行的跨文档 ECR 基准测试上取得了最先进的性能，并在领域外场景中展现出稳健性。

    Apr, 2024

  • 事件级别视觉问答的跨模态因果关系推理

    本文提出了一种名为 CMCIR 的事件级别视觉问答框架，以实现稳健的因果感知视觉 - 语言问答，其利用因果干预方法发现视觉和语言两种模态的真实因果结构，并成功地在四个事件级别数据集上验证了其优越性。

    Jul, 2022

  • 深度端到端因果推断

    本研究开发了深度端到端因果推断模型 DECI，能够处理异构的混合型数据以推断因果关系和估计条件平均处理效果，实验结果表明 DECI 比基线方法具有更高的性能。

    Feb, 2022

  • 协同事件理解：基于大型语言模型的跨文档事件共指消解的协同方法

    利用大型语言模型和小型语言模型协作的方法在跨文档事件共指解析中取得了最好的性能，并且在不同的数据集中都表现出了最先进的性能，强调了其在多样场景中的有效性。

    Jun, 2024