本文

約1000字

，建議閱讀

5分鐘

因果關係抽取是自然語言處理（NLP）中的一種關係抽取任務，它透過構造事件圖來挖掘文字中具有因果關係的事件對，已經在金融、安全、生物等領域的應用中發揮重要作用。

因果關係抽取是自然語言處理（NLP）中的一種關係抽取任務，它透過構造事件圖來挖掘文字中具有因果關係的事件對，已經在金融、安全、生物等領域的應用中發揮重要作用。首先，介紹了事件抽取和因果關係等概念，並介紹了因果關係抽取主流方法的演變和常用資料集；然後，列舉了當前主流的因果關係抽取模型，並且在分別對基於流水線的模型和聯合抽取模型進行詳細分析的基礎上，對比了各種方法和模型的優缺點；此外，對各模型的實驗效能及相關實驗資料進行了歸納分析；最後，給出了當前的因果關係抽取的研究難點和未來的重點研究方向。

連結：

http：//www。joca。cn/CN/abstract/abstract24491。shtml

人們的社會活動以事件為驅動，事件是社會活動的載體。在自然語言處理中，事件作為一種資訊表示形式顯得十分重 要，受到越來越多的重視。事件中包含了大量的內部組成結 構（如參與者、時間、地點等）和外部關聯（如因果、共指、時序 等語義關係）。對包含大量事件的文字進行因果關係的抽取 可以實現對文字的更加深層次的理解。在航空安全［1］ 、醫學［2］ 等眾多領域中，因果關係抽取也發揮著重要的作用。圖靈獎 獲得者 Bengio 表示將因果關係整合到人工智慧（Artificial Intelligence，AI）中是一件大事，瞭解因果關係可以使得現有 的人工智慧更加智慧高效。Pearl等［3］ 講到如果沒有因果推理 的能力，人工智慧將從根本上受到限制。

因果關係一般可以組織為事理圖譜。事理圖譜是表示事 件之間的順承、因果關係的有向圖［4］ 。圖中每個節點表示事 件，而邊用來表示事件之間的因果關係。事理圖譜找出了事 件的演化邏輯，從而形成大型的常識事理知識庫用來直接刻畫人類行為活動。很多的學者在因果關係抽取上得到了理想 的結果［5-7］ 。

深度學習是機器學習領域如今最熱門的研究方向之一， 它能夠模仿人類大腦的活動，使得模式識別很難解決的問題 得到了合理的解決，使得自然語言處理（Natural Language Processing，NLP）相關技術取得了很大進步。近年來基於深度 神經網路的因果關係抽取方法比較多，主要分為兩大類：一類 是基於流水線方式；另一類是基於聯合抽取的方式。前者將 抽取任務看作是實體識別和關係分類兩個子任務，後者則是 利用聯合模型將因果關係三元組直接抽取出來。兩者各有利 弊，但是目前還缺乏對整個領域開展深入的梳理和總結。本 文對現有的基於深度學習的因果關係抽取方法進行了總結：首先，分別對因果關係抽取的基本概念和方法演變進行了簡 要介紹，並對常用資料集進行了介紹；接著，對現有的基於深 度學習的兩種主要框架分別進行了詳細介紹；最後，提出了未 來的研究方向。

編輯：文婧