零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种事件因果关系识别模型和方法，如SemSIn、ECE、ERGO、GIT等，这些模型在不同数据集上表现出显著的性能提升。研究涵盖双重学习框架和跨语言提取等技术，展示了事件识别和因果关系提取的进展及未来方向。
❓
Q&A
SemSIn模型是如何提升事件因果关系识别准确性的？
SemSIn模型通过模拟事件中心结构和事件关联结构之间的语义关系，显著提升了事件因果关系识别的准确性。
什么是Event Causality Extraction（ECE）任务？
Event Causality Extraction（ECE）任务旨在从文本中提取结构化事件信息的因果关系，使用双网格标记方案和事件类型增强模型架构。
ERGO框架如何提高事件因果关系识别的性能？
ERGO框架通过构建事件关系图，将文档级事件因果关系识别形式化为节点分类问题，显著提高了识别性能。
GIT模型解决了哪些问题？
GIT模型解决了目标事件参数分布广泛和事件关联复杂的问题，在大规模数据集上表现良好。
CauSeRL方法是如何提升模型性能的？
CauSeRL方法利用自我监督和对比转移策略，通过外部因果语句识别事件因果关系，从环境中学习因果模式以提高模型性能。
FCCL方法在多语言和多粒度上有什么优势？
FCCL方法通过跨模态多粒度对比学习实现显式知识转移，在多语言和多粒度上显著优于基线模型。
🏷️
