零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习
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。
延伸解读
从句子级到文档级：事件因果关系识别的演进
文章梳理的模型显示，事件因果关系识别正从句子级向文档级发展。ERGO框架将文档级识别形式化为节点分类问题，通过构建事件关系图处理跨句因果；GIT模型则用异构图交互解决目标事件参数分布广泛和事件关联复杂的问题。这些工作表明，文档级识别需要显式建模事件间的全局关系，而非仅依赖局部上下文。
零样本跨语言迁移的两种技术路径
在零样本跨语言场景下，文章提到了两种思路：一是ISDG编码器，通过引入Universal Dependencies的句内和句间句法特征构建跨语言依存图，无需跨语言训练即可提升性能；二是将事件论元提取视为语言生成任务，利用多语言预训练生成模型和语言无关模板，在源语言训练后直接应用于目标语言。两者都旨在减少对目标语言标注数据的依赖。
对比学习与知识迁移成为重要手段
多个模型采用对比学习或知识迁移策略。CauSeRL利用外部因果语句进行自监督和对比转移，在EventStoryLine和Causal-TimeBank上F1值分别提升2.0和3.4；E-CLIP通过层次三重对比对齐模块优化文本、图像和事件三种模态间的知识传递；FCCL则用跨模态多粒度对比学习实现显式知识转移。这些方法共同点是通过外部知识或跨模态信号增强因果模式的学习。
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。
