基于合成控制的方法识别事件因果关系
计算与语言
2025-09-24 v1 人工智能
摘要
事件因果识别（ECI）是从文本中提取因果关系的过程，这对于区分因果与相关性至关重要。传统方法主要利用语言模式和多跳关系推理，风险在于由于因果用法不规范和虚构图形推理导致误判。本文采用 Rubin 因果模型来识别事件因果关系：给定两个时间顺序的事件，我们将第一个事件视为处理，将第二个事件视为观察结果。确定其因果关系涉及操纵处理并估计其对结果发生概率产生的变化。鉴于在文本领域只能概念性地实施操纵，我们尝试从现有语料库中为主角寻找一个“双胞胎”。这个双胞胎应在处理前拥有与主角完全相同的生活经历，但会发生处理干预。然而， Locating 这样一个匹配在实际中存在困难，限制了其可行性。为此，我们使用合成控制方法从相关历史数据中生成这样一个“双胞胎”，利用文本嵌入合成和逆转技术。这种方法比以前的方法更稳健地识别因果关系，包括 GPT-4，在 COPES-hard 基准测试中得到证明。
引用
@article{arxiv.2509.18156,
title = {Event Causality Identification with Synthetic Control},
author = {Haoyu Wang and Fengze Liu and Jiayao Zhang and Dan Roth and Kyle Richardson},
journal= {arXiv preprint arXiv:2509.18156},
year = {2025}
}