通过启发式语义依赖询问网络推进事件因果识别
计算与语言
2024-10-03 v2 人工智能
信息检索
摘要
事件因果识别 (ECI) focuses on 从文本中提取因果关系。现有的 ECI 方法主要依赖因果特征和外部知识。然而，这些方法在两个维度上不足：(1) 文本中事件之间的因果特征常缺乏明确的线索，(2) 外部知识可能引入偏见，而特定问题需要定制化的分析。为此，我们提出 SemDI - 一个简单且有效的语义依赖询问网络用于 ECI。SemDI 使用统一编码器捕获上下文中的语义依赖。然后，它利用 Cloze Analyzer 生成基于全面上下文理解的填充标记。最后，该填充标记用于询问两个事件之间的因果关系。广泛的实验表明 SemDI 的有效性，在三个广泛使用的基准测试中超越了最先进的方法。代码可在 https://github.com/hrlics/SemDI 获取。
引用
@article{arxiv.2409.13621,
title = {Advancing Event Causality Identification via Heuristic Semantic Dependency Inquiry Network},
author = {Haoran Li and Qiang Gao and Hongmei Wu and Li Huang},
journal= {arXiv preprint arXiv:2409.13621},
year = {2024}
}
备注
EMNLP 2024 camera-ready version. Code is released at https://github.com/hrlics/SemDI