事件因果识别综述：分类体系、挑战、评估与展望
计算与语言
2025-07-25 v5 人工智能
摘要
事件因果识别 (ECI) 已成为自然语言处理 (NLP) 中的一项核心任务，旨在自动检测文本中事件间的因果关系。本综述系统考察了基本概念与模型，建立了系统的分类体系，并批判性地评估了多种模型。我们首先定义核心概念，形式化 ECI 问题，并概述标准评估协议。我们的分类框架将 ECI 模型划分为两大主要任务：句级事件因果识别 (SECI) 和文档级事件因果识别 (DECI)。对于 SECI，我们回顾了采用特征模式匹配、机器学习分类器、深度语义编码、基于提示的微调和因果知识预训练的模型，以及数据增强策略。对于 DECI，我们聚焦于利用深度语义编码、事件图推理和基于提示的微调的方法。特别关注了多语言与跨语言 ECI 的最新进展，以及利用大语言模型 (LLM) 的零样本 ECI。我们分析了各类方法的优势、局限及未解决的挑战。在四个基准数据集上进行了大量定量评估，严格测评了各类 ECI 模型的性能。最后讨论了未来研究方向，并指出了推动该领域进一步发展的机遇。
引用
@article{arxiv.2411.10371,
title = {A Survey of Event Causality Identification: Taxonomy, Challenges, Assessment, and Prospects},
author = {Qing Cheng and Zefan Zeng and Xingchen Hu and Yuehang Si and Zhong Liu},
journal= {arXiv preprint arXiv:2411.10371},
year = {2025}
}