语义结构增强的事件因果关系识别

事件因果关系识别（ECI）旨在识别非结构化文本中事件之间的因果关系。这是一项极具挑战性的任务，因为因果关系通常通过事件间的隐式关联表达。现有方法通常通过使用预训练语言模型直接对文本建模来捕捉此类关联，这低估了两种对 ECI 任务至关重要的语义结构，即事件中心结构与事件关联结构。前者包含与事件相关的重要语义要素以更精确地描述事件，而后者包含两事件之间的语义路径以为 ECI 提供可能的支撑。本文通过建模上述显式语义结构来研究事件间的隐式关联，并提出一种语义结构融合模型（SemSIn）。该模型利用基于 GNN 的事件聚合器整合事件中心结构信息，并采用基于 LSTM 的路径聚合器捕捉两事件间的事件关联结构信息。在三个广泛使用的数据集上的实验结果表明，SemSIn 相较基线方法取得了显著改进。