超越大语言模型：从叙事文本生成因果图的语言学方法
计算与语言
2025-04-11 v1
摘要
我们提出了一个从叙事文本生成因果图的新框架，桥接高层因果性与细粒度事件间关系。 our method first extracts concise, agent-centered vertices using large language model (LLM)-based summarization. 我们引入一个“专家指数”，包含七个语言学特征，集成到情境-任务-行动-后果 (STAC) 分类模型中。该混合系统结合 RoBERTa 嵌入与专家指数，在因果链接识别方面优于纯 LLM 方法。最后，采用结构化的五次迭代提示过程对因果图进行精细化和构建。在 100 章叙事章节和短篇故事上的实验表明，我们的方法在因果图质量方面 consistently 超过 GPT-4o 和 Claude 3.5，同时保持可读性。该开源工具提供了一个可解释、高效的解决方案，用于捕捉叙事中细微的因果链。
引用
@article{arxiv.2504.07459,
title = {Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts},
author = {Zehan Li and Ruhua Pan and Xinyu Pi},
journal= {arXiv preprint arXiv:2504.07459},
year = {2025}
}
备注
published at the 7th Workshop on Narrative Understanding, NAACL 2025