基于多来源证据模糊聚合的零样本事件因果识别
计算与语言
2025-06-10 v2
摘要
事件因果识别（ECI）旨在检测文本情境中事件之间的因果关系。现有 ECI 模型主要依赖监督方法，依赖大规模标注数据。尽管大语言模型（LLM）实现了零样本 ECI，但容易产生因果幻觉——错误地建立虚假的因果联系。为此，我们提出 MEFA，即基于多来源证据模糊聚合的零样本框架。首先，我们将因果推理分解为三个主要任务（时序确定、必要性分析和充分性验证），并辅以三个辅助任务。其次，利用精心设计的提示，引导 LLM 生成不确定性响应和确定性输出。最后，我们量化 LLM 对子任务的响应，并采用模糊聚合方法整合这些证据，用于因果评分和因果判断。大量实验表明，MEFA 在三个基准数据集上超越第二名的无监督基线方法，以 6.2% 的 F1 分数和 9.3% 的精确率提升，显著降低了由幻觉引起的错误。深入分析验证了任务分解和模糊聚合的有效性。
引用
@article{arxiv.2506.05675,
title = {Zero-Shot Event Causality Identification via Multi-source Evidence Fuzzy Aggregation with Large Language Models},
author = {Zefan Zeng and Xingchen Hu and Qing Cheng and Weiping Ding and Wentao Li and Zhong Liu},
journal= {arXiv preprint arXiv:2506.05675},
year = {2025}
}