基于依赖感知转换模型从句子中提取因果关系对
机器学习
2025-07-15 v1
摘要
从句子中提取因果与结果短语是自然语言处理中的重要任务，广泛应用于法律、医疗、教育和科学研究等多个领域。已提出多种无监督和监督方法解决此任务。其中，无监督方法利用各种语言工具，包括句法模式、依赖树、依赖关系等，对不同句子成分进行因果短语提取。另一方面，现代监督方法使用各种基于深度学习的掩码语言模型，配合标记分类层以提取因果短语。语言工具，特别是依赖树，将句子组织为不同语义单元，已被证明在从句子中提取语义配对方面非常有效，但现有监督方法在模型框架内未提供利用此类工具的机制。本 work 提出 DepBERT，通过将句子的依赖树纳入模型框架，扩展了基于转换的模型。对三个数据集进行大量实验表明，DepBERT 在各种最先进的监督因果提取方法中表现更佳。
引用
@article{arxiv.2507.09925,
title = {Extracting Cause-Effect Pairs from a Sentence with a Dependency-Aware Transformer Model},
author = {Md Ahsanul Kabir and Abrar Jahin and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:2507.09925},
year = {2025}
}