.png){kind=icon}
返回
End-to-end multi-granulation causality extraction model
.png){kind=icon}
OA
AI
DOI：10.1016/j.dcan.2023.02.005.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因果关系抽取已成为自然语言处理和知识图谱中的一个关键任务。然而，大多数现有方法将因果关系抽取分为两个子任务：候选因果对的抽取和因果关系的分类。这些方法会导致级联错误和关联上下文信息的丢失。因此，本研究基于图论，提出了一种端到端的多粒度因果关系抽取模型（EMGCE），用于抽取显式因果关系并直接挖掘隐式因果关系。首先，句子在不同粒度层上表示，包含字符层、词层和上下文字符串层。词层被细分为三层：词索引层、词嵌入层和词位置嵌入层。然后，基于词索引层构建数据集的粒度因果树。接下来，设计了一种改进的tagREtriplet算法，基于粒度因果树获取标注的因果关系，可将任务转化为序列标注任务。随后，多粒度语义表示被输入神经网络模型以抽取因果关系。最后，基于扩展的公开SemEval 2010 Task 8数据集，实验结果表明EMGCE是有效的。
Keyword:
Causality extraction
Granular computing
Granular causality tree
Semantic representation
Sequence labeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.5
论文数:
419
被引数:
3.5K
机构
引用论文
GRU-based capsule network with an improved loss for personnel performance prediction基于改进损失的GRU胶囊网络用于人员绩效预测.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Enhancing structure modeling for relation extraction with fine-grained gating and co-attentionNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏hier2vec: interpretable multi-granular representation learning for hierarchy in social networks
PREAI
分享收藏
查看更多内容