基于异构图对比迁移学习的零样本跨语言文档级事件因果关系识别

事件因果关系识别（Event Causality Identification, ECI）是指检测文本中事件之间的因果关系。然而，大多数现有研究集中于高资源语言的句子级 ECI，而更具挑战性的低资源语言文档级 ECI（DECI）尚未得到充分探索。在本文中，我们提出了一种具有多粒度对比迁移学习的异构图交互模型（GIMC），用于零样本跨语言文档级 ECI。具体而言，我们引入异构图交互网络来建模分散在文档中的事件之间的长距离依赖关系。随后，为了提高从源语言学习到的因果知识的跨语言迁移能力，我们提出了一种多粒度对比迁移学习模块，以对齐跨语言的因果表示。大量实验表明，我们的框架在单语和多语言场景下的平均 F1 分数分别比之前的最先进模型高出 9.4% 和 8.2%。值得注意的是，在多语言场景中，我们的零样本框架的整体性能甚至超过了采用少样本学习的 GPT-3.5，增幅达 24.3%。