A Contrastive Representation Learning Framework for Event Causality Identification

doi:10.3390/info17040321

A Contrastive Representation Learning Framework for Event Causality Identification

2026-03-01

0

PRE

AI

DOI：10.3390/info17040321

原文链接

原文求助

摘要

En 中文

为解决事件因果关系识别（ECI）任务中识别事件提及之间因果关系所面临的挑战，ECI已成为理解事件结构的关键研究领域。近期研究利用基于Transformer的模型，并结合辅助组件，以开发用于因果关系预测的有效上下文表示。ECI模型中的一个关键步骤是将复杂的事件上下文表示转换为因果关系标签表示，从而促进训练和推理所需的逻辑分数计算。然而，现有模型通常依赖简单的全连接网络进行此转换过程，这往往难以弥合复杂事件上下文与目标因果关系标签之间的语义差距，特别是在语言细微差别较多的场景中。为解决这些局限性，我们提出了用于事件因果关系识别的对比学习（CLECI），这是一种创新的ECI框架，通过整合对比学习技术、带有因果关系标签嵌入的生成器-判别器机制来增强表示学习。与传统的直接转换方法不同，CLECI生成潜在因果关系标签嵌入，这些嵌入在过滤无关信息的同时与可能的标签表示对齐。通过引入对比学习原理，CLECI进一步通过构建事件的正负对来增强事件表示的判别能力。在EventStoryLine（ESL）、Causal-TimeBank（CTB）和MECI数据集上的实验评估表明，与最强基线方法相比，CLECI实现了具有竞争力的性能，F1分数分别提升了4.3%、7.9%和2.5%，同时在复杂和嘈杂的多语言事件上下文中保持了较强的鲁棒性。

Keyword:

context-to-label

contrastive learning

event causality identification

generative adversarial networks

A Contrastive Representation Learning Framework for Event Causality Identification

摘要

期刊

机构

引用论文