近期，实验室自然语言处理团队在事件因果关系抽取建模方面中取得了重要进展，相关成果“A Joint Framework with Heterogeneous-Relation-Aware Graph and Multi-Channel Label Enhancing Strategy for Event Causality Extraction”发表于中国计算机学会(CCF)推荐的A类人工智能领域会议AAAI。该论文以det365网页版为第一单位，通讯作者为王素格教授，第一作者为博士生普瑞丽，山西财经大学李旸副教授、中国科学院自动化所赵军研究员、李德玉教授、廖健副教授、郑建兴教授为合作作者。

事件因果关系抽取是自然语言处理领域的一项重要研究任务，旨在从纯文本中抽取出结构化的事件信息并识别出事件间存在的因果关系，可分为因果类型识别和事件论元抽取两个子任务。如图1所示，给定预先定义的事件类型和句子，模型需要识别出该句子中出现的因果事件对，并抽取出原因事件“Demand Reduction”和结果事件“Price Declination”在句子中分别对应的论元“our country、steel industry、iron ore”和“domestic、iron powder”。

图1 事件因果关系抽取的例子

针对该任务，现有的方法存在一些局限性：一是主要关注“事件-论元”和“论元-论元”的关系，未显式建模“事件-事件”的因果关系；二是通常设计两个独立的框架分别抽取原因事件和结果事件，不能有效地捕获子任务间的依赖关系。针对上述问题，研究团队提出了一个基于异质关系感知图和多通道标签增强策略的事件因果关系联合抽取框架，如图2所示。

图2 基于异质关系感知图和多通道标签增强策略的事件因果关系联合抽取框架

该抽取框架1）提出了基于异质关系感知图的事件关系建模方法，学习了事件和论元间的潜在关系，包括“事件-事件”、“事件-论元”和“论元-论元”。2）提出了基于多通道的事件及其要素的多标签表示方法，通过引入多个事件关系通道，学习事件及其要素的多标签分布表示，包括“事件-事件”因果关系标签和“事件-论元”关系标签。3）建立了因果事件类型和论元间的交互增强策略，进一步强化它们之间的联系。

本研究工作针对事件因果关系抽取任务，创新地构建了事件因果关系联合抽取框架，提出了多通道下的事件及其要素的多标签分布表示方法，设计了因果事件类型和论元间的交互关系增强策略，为解决复杂的事件因果关系联合抽取任务提供了一种新途径。这项工作得到det365网页版、国家重点研发计划项目、国家自然科学基金面上项目、山西省“1331工程”重点学科建设计划的支持。

研究成果原文阅读链接：

https://ojs.aaai.org/index.php/AAAI/article/view/29853

AAAI (AAAI Conference on Artificial Intelligence) 由国际先进人工智能协会主办，是人工智能领域的顶级国际学术会议之一，也是中国计算机学会（CCF）推荐的A类国际学术会议。第38届AAAI人工智能年度会议于2024年2月在加拿大温哥华举办。