[论文解读] Detecting and Explaining Causes From Text For a Time Series Event

Dongyeop Kang, Varun Gangal+3 more|arXiv (Cornell University)|Jul 27, 2017

Advanced Text Analysis Techniques参考文献 31被引用 4

一句话总结

该论文提出CSpikes系统，通过在N-gram、主题和情感上应用格兰杰因果关系，检测与时间序列事件相关联的因果特征。该系统结合符号常识知识库与神经推理模型，构建因果解释链，在人类评估和BLEU得分验证下，实现了更高的可解释性与性能，生成更具意义的因果解释。

ABSTRACT

Explaining underlying causes or effects about events is a challenging but valuable task. We define a novel problem of generating explanations of a time series event by (1) searching cause and effect relationships of the time series with textual data and (2) constructing a connecting chain between them to generate an explanation. To detect causal features from text, we propose a novel method based on the Granger causality of time series between features extracted from text such as N-grams, topics, sentiments, and their composition. The generation of the sequence of causal entities requires a commonsense causative knowledge base with efficient reasoning. To ensure good interpretability and appropriate lexical usage we combine symbolic and neural representations, using a neural reasoning algorithm trained on commonsense causal tuples to predict the next cause step. Our quantitative and human analysis show empirical evidence that our method successfully extracts meaningful causality relationships between time series with textual features and generates appropriate explanation between them.

研究动机与目标

• 定义并解决利用文本数据生成时间序列事件因果解释的新型任务。
• 检测在时间上先于并能预测时间序列变化的文本中具有统计显著性的因果特征（例如N-gram、情感、主题）。
• 利用FrameNet标注的因果表达从文本中构建大规模因果图（CGraph），用于因果链推理。
• 通过结合符号知识与神经序列建模，生成可解释且词汇丰富的因果解释链。
• 评估神经推理与符号推理在生成合理且准确因果解释方面的有效性。

提出的方法

• 通过格兰杰因果关系检测因果特征，测试过去文本特征（如N-gram、情感）是否能提升对将来时间序列值（如股价）的预测能力。
• 从大规模文本和社交媒体（如新闻、推文）中提取文本特征，为每个实体构建N-gram、主题和情感得分的时间序列。
• 利用FrameNet语义构建因果图（CGraph），识别因果动词模式，并从1.83亿句话中提取超过500万个因果对。
• 使用在常识因果元组上训练的神经推理模型，预测因果链的下一步，实现词汇多样性与可解释性。
• 应用基于图的特征选择算法，利用目标时间序列通过线性函数Φ指导特征组合。
• 在解释生成中结合符号推理（保证逻辑一致性）与神经推理（实现词汇多样性与流畅性）。

实验结果

研究问题

• RQ1 将格兰杰因果关系应用于文本特征（如情感、主题）是否能有效检测与时间序列事件的因果关系？
• RQ2 如何利用语义框架从现实世界文本中构建大规模文本因果对的因果图？
• RQ3 在常识因果元组上训练的神经推理模型，是否能比符号方法生成更流畅、更合理的因果解释链？
• RQ4 混合符号-神经推理系统在多大程度上提升了因果解释的可解释性与质量？
• RQ5 人类评估者如何评价神经推理与符号推理生成的解释的相对质量？

主要发现

• 因果检测方法在预测未来时间序列值方面优于基线方法，证明了其在识别因果文本特征方面的统计稳健性。
• 神经推理模型的BLEU得分表明其能有效生成合理的因果解释序列。
• 人类评估显示，57.5%的参与者更偏好由神经推理模型生成的解释，表明其在流畅性与合理性方面有所提升。
• 符号推理模型在人类偏好评估中仅达到42.5%的准确率，凸显了基于规则方法在词汇与语境多样性方面的局限性。
• 该系统成功识别出时间上连贯的因果链，例如“预算削减 → 预算案减少 → 共和党支持下降 → 奥巴马支持率下降 → Facebook股价下跌”，展示了端到端的解释生成能力。
• CGraph包含5,025,636条因果边，源自1.83亿句话，构成一个丰富且结构化的因果推理知识库。