基于递归神经张量网络从自然语言需求中细粒度抽取因果关系
计算与语言
2021-07-23 v2 信息检索
摘要
[背景：]因果关系(例如，若A则B)在功能需求中十分普遍。对于AI4RE的多种应用，例如从需求自动导出合适的测试用例，自动抽取此类因果陈述是一项基本需求。[问题：]我们缺乏一种能以细粒度形式从自然语言需求中抽取因果关系的方法。具体而言，现有方法未考虑原因与结果之间的组合性，也不允许将原因和结果拆分为更细粒度的文本片段(例如变量与条件)，使得抽取的关系不适用于自动测试用例导出。[目标与贡献：]我们填补该研究空白并作出如下贡献：首先，我们提出Causality Treebank，这是首个完全标注的二元解析树语料库，表征了1,571条因果需求的组合结构。其次，我们提出一种基于递归神经张量网络的细粒度因果抽取器。我们的方法能够恢复自然语言书写的因果陈述的组合结构，在Causality Treebank上的评估取得了74%的F1分数。第三，我们公开了数据集与代码，以促进RE界关于因果关系自动抽取的讨论。
引用
@article{arxiv.2107.09980,
title = {Fine-Grained Causality Extraction From Natural Language Requirements Using Recursive Neural Tensor Networks},
author = {Jannik Fischbach and Tobias Springer and Julian Frattini and Henning Femmer and Andreas Vogelsang and Daniel Mendez},
journal= {arXiv preprint arXiv:2107.09980},
year = {2021}
}