【ACL2021】基于外部因果陈述自监督表示学习的事件因果关系识别

基于外部因果陈述自监督表示学习的事件因果关系识别

Improving Event Causality Identification via Self-Supervised Representation Learning on External Causal Statement

论文链接： https://www.zhuanzhi.ai/paper/f2d21791440eef4f7550cb9045d0101d

利用外部大量的因果陈述，提升模型对因果关系语义的理解能力，这些因果陈述可以提供充足的上下文相关因果模式，有助于理解文本中事件的因果关系。然而，与ECI任务的标注数据不同，外部因果陈述中没有标注事件，模型很难直接从中学习上下文相关的因果模式帮助识别事件因果关系。为了解决这个问题，我们设计了一个基于自监督表示学习的事件因果关系识别模型 (Self-Supervised Representation Learning on External Causal Statement, CauSeRL)，从外部因果陈述中学习强化的因果表示。具体来说，从外部因果陈述中迭代抽样两个实例，分别以其中一个因果陈述为目标，学习它们之间的共性。直觉上，通过自监督学习到的不同因果陈述间的共性反映了文本中上下文相关的因果模式，有助于在未见的实例中识别事件的因果关系。

在基准数据集上的实验结果表明，该方法可以有效增强事件因果关系的表示、提升事件因果关系识别的性能，证明了我们的方法对于ECI任务的有效性。