通过因果信息提取方法提高因果领域知识可及性：半导体制造行业案例研究
计算与语言
2025-02-28 v1 人工智能
摘要
从文本数据中提取因果信息对于识别和缓解潜在故障、提高工艺效率、推动质量改进以及应对各种运营挑战至关重要。本文 presents 一种针对半导体制造行业实际工业文件开发自动化因果信息提取方法的研究。该研究提出了两种类型的因果信息提取方法：单阶段序列标注（SST）和多阶段序列标注（MST），并使用来自半导体制造公司的现有文件进行评估，包括演示文稿和FMEA（失效模式与影响分析）文件。该研究还考察了表示学习对下游任务的影响。该案例研究表明，针对工业文件的因果信息提取所提出的MST方法适用于实际应用，特别是对于半结构化文件如FMEA，达到93%的F1分数。此外，MST在从演示文稿提取的文本上达到73%的F1分数。最后，该研究强调选择与领域更匹配且进行领域内微调的语言模型的重要性。
引用
@article{arxiv.2411.10172,
title = {Increasing the Accessibility of Causal Domain Knowledge via Causal Information Extraction Methods: A Case Study in the Semiconductor Manufacturing Industry},
author = {Houssam Razouk and Leonie Benischke and Daniel Garber and Roman Kern},
journal= {arXiv preprint arXiv:2411.10172},
year = {2025}
}
备注
17 pages, 2 figures