Identifying while Learning for Document Event Causality Identification

2024年05月31日
  • 简介
    本文介绍了事件因果关系识别(ECI)的任务,旨在检测文档中两个事件之间是否存在因果关系。现有的研究采用了一种学习后识别的范式,首先学习事件的表示,然后用于识别。此外,它们主要关注因果关系的存在,但忽略了因果方向。本文关注因果方向,并提出了一种新的学习同时识别的模式来处理ECI任务。我们认为一些因果关系可以很容易地被高度自信地识别出来,这些已识别的因果关系的方向性和结构可以用于更新事件的表示,以提高下一轮因果关系识别的效果。为此,本文设计了一个迭代学习和识别框架:在每个迭代中,我们构建一个事件因果图,在其中更新事件的因果结构表示,以提高因果识别的效果。在两个公共数据集上的实验证明,我们的方法在因果存在识别和方向识别的两个评估方面均优于现有的最先进算法。
  • 图表
  • 解决问题
    本论文旨在解决事件因果关系识别(ECI)中存在的方向性问题,提出了一种新的学习和识别模式。
  • 关键思路
    论文提出了一种迭代的学习和识别框架,通过构建事件因果图来更新事件的表示,从而提高因果关系的识别准确性。相比于现有的研究,该方法能够同时识别因果关系的存在和方向。
  • 其它亮点
    论文在两个公共数据集上进行了实验,并表明该方法在因果关系的存在和方向识别方面均优于现有算法。此外,论文还提供了开源代码。
  • 相关研究
    在这个领域中,最近的相关研究包括:《Identifying Causal Relations in Texts: A Comprehensive Review》、《A Survey on Event Causality Identification》等。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论