因果关系抽取迁移的实证研究：设计与数据
计算与语言
2025-03-11 v1
摘要
本文对因果关系抽取的神经网络架构和数据迁移策略进行了实证分析。通过对多种上下文嵌入层和架构组件进行实验，表明相对简单的 BioBERT-BiGRU 关系抽取模型在不同网络来源和标注策略下的泛化能力优于其他架构。此外，引入了一个评估迁移性能的指标 ，该指标强调名词短语定位而非直接匹配目标标签。使用该指标可以进行数据迁移实验，最终表明使用具有不同领域和标注风格的数据进行增强可以提高性能。当包含适当比例的隐式和显式因果语句时，数据增强尤为有益。
引用
@article{arxiv.2503.06076,
title = {An Empirical Study of Causal Relation Extraction Transfer: Design and Data},
author = {Sydney Anuyah and Jack Vanschaik and Palak Jain and Sawyer Lehman and Sunandan Chakraborty},
journal= {arXiv preprint arXiv:2503.06076},
year = {2025}
}