因果知识抽取方法的跨领域评估
计算与语言
2023-08-09 v1
摘要
因果知识抽取是通过检测因果关系从文本中抽取相关原因与结果的任务。尽管该任务对语言理解与知识发现十分重要，近期该领域工作主要集中于将文本片段二分类为因果或非因果。对此，我们对三种用于因果知识抽取的序列标注模型进行了细致分析，并与基于片段的因果抽取方法进行比较。我们的实验表明，相较先前具有复杂架构的SOTA模型，预训练语言模型（如BERT）的嵌入在此任务上带来了显著的性能提升。我们观察到，基于片段的模型在来自不同领域、具有不同类型因果短语的全部4个数据集上，均优于基于BERT的简单序列标注模型。
引用
@article{arxiv.2308.03891,
title = {A Cross-Domain Evaluation of Approaches for Causal Knowledge Extraction},
author = {Anik Saha and Oktie Hassanzadeh and Alex Gittens and Jian Ni and Kavitha Srinivas and Bulent Yener},
journal= {arXiv preprint arXiv:2308.03891},
year = {2023}
}