结合推理与结构感知因果问答增强事件因果关系识别
计算与语言
2024-03-19 v1
摘要
文档级事件因果关系识别（Document-level Event Causality Identification, DECI）旨在识别文档中两个事件之间的因果关系。近期研究倾向于使用预训练语言模型来生成事件因果关系。然而，由于文档中存在多个事件，这些方法容易产生序列生成的错误。此外，事件共指和相关的因果链等潜在结构被忽略。在本文中，我们提出了一种多任务学习框架，通过推理与结构感知因果问答来增强事件因果关系识别。具体而言，DECI 任务被转化为多项选择问答，并使用大语言模型生成所询问事件的原因和结果。此外，我们生成推理来解释为什么这些事件具有因果关系。另外，我们构建了一个事件结构图，该图对多跳潜在关系进行建模，用于当前事件的因果推理。在两个基准数据集上的实验表明，与 state-of-the-art 方法相比，我们提出的方法具有巨大优势。此外，我们进行了定量和定性分析，阐明了我们方法的每个组件为何能带来巨大改进。
引用
@article{arxiv.2403.11129,
title = {Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering},
author = {Baiyan Zhang and Qin Chen and Jie Zhou and Jian Jin and Liang He},
journal= {arXiv preprint arXiv:2403.11129},
year = {2024}
}