接下来会发生什么？基于事件因果图的后果预测
人工智能
2024-09-27 v1
摘要
现有的脚本事件预测任务基于事件脚本链预测后续事件。然而，现实场景中历史事件的演变更为复杂，事件脚本链提供的信息有限也导致难以准确预测后续事件。本文引入了基于事件因果图（Event Causality Graph, ECG）的后果预测任务。我们提出了语义增强距离敏感图提示学习（Semantic Enhanced Distance-sensitive Graph Prompt Learning, SeDGPL）模型用于该任务。在SeDGPL中，我们（1）设计了距离敏感图线性化（Distance-sensitive Graph Linearization, DsGL）模块，将ECG重新格式化为PLM的输入图提示模板；（2）提出了事件丰富因果编码（Event-Enriched Causality Encoding, EeCE）模块，用于整合事件上下文语义和图结构信息；（3）提出了语义对比事件预测（Semantic Contrast Event Prediction, ScEP）模块，以增强众多候选事件之间的表征，并遵循提示学习范式预测后续事件。我们基于现有MAVEN-ERE和ESC语料库构建了两个CGEP数据集进行实验。实验结果验证了我们的方法有效性，即提出的SeDGPL模型在CGEP任务上超越了先进的竞争方法。
引用
@article{arxiv.2409.17480,
title = {What Would Happen Next? Predicting Consequences from An Event Causality Graph},
author = {Chuanhong Zhan and Wei Xiang and Chao Liang and Bang Wang},
journal= {arXiv preprint arXiv:2409.17480},
year = {2024}
}