面向关系分类的自动反事实生成

关系分类（RC）的目标是从文本中抽取实体之间/之中的语义关系。作为自然语言处理中的基础任务，确保 RC 模型的鲁棒性至关重要。尽管当前深度神经模型在 RC 任务上已取得高准确率，它们仍易受虚假相关性的影响。解决该问题的一种方案是使用反事实增强数据（CAD）训练模型，使其学习因果关系而非混淆因素。然而，尚未有针对 RC 任务生成反事实的尝试。本文从以实体为中心的视角形式化了为 RC 任务自动生成 CAD 的问题，并提出了一种为实体推导上下文反事实的新方法。具体而言，我们利用句法和语义依赖图中的两个基本拓扑性质，即中心性与最短路径，首先识别并对实体的上下文因果特征进行干预。我们通过在四个 RC 数据集上结合所提方法与多种骨干 RC 模型进行了全面评估。结果表明，我们的方法不仅提升了骨干模型的性能，还使其在域外测试中更具鲁棒性。