ERGO：面向文档级事件因果识别的事件关系图 Transformer
计算与语言
2022-04-18 v1 人工智能
摘要
文档级事件因果识别（DECI）旨在识别文档中事件对之间的因果关系。其面临跨句推理且缺乏明确因果指示词的巨大挑战。本文提出一种新颖的面向 DECI 的事件关系图 TransfOrmer（ERGO）框架，从两方面改进现有 state-of-the-art（SOTA）方法。首先，我们通过构建事件关系图将 DECI 表述为节点分类问题，无需先验知识或工具。其次，ERGO 无缝整合事件对关系分类与全局推理，利用关系图 Transformer（RGT）捕捉潜在因果链。此外，我们引入建边策略与自适应 focal loss 以应对由常见伪相关引起的大量假阳性。在两个基准数据集上的大量实验表明，ERGO 显著优于先前 SOTA 方法（平均 F1 提升 13.1%）。我们进行了广泛的定量分析与案例研究，为未来研究方向提供见解（第 4.8 节）。
引用
@article{arxiv.2204.07434,
title = {ERGO: Event Relational Graph Transformer for Document-level Event Causality Identification},
author = {Meiqi Chen and Yixin Cao and Kunquan Deng and Mukai Li and Kun Wang and Jing Shao and Yan Zhang},
journal= {arXiv preprint arXiv:2204.07434},
year = {2022}
}