[论文解读] Event Causality Extraction with Event Argument Correlations

Shiyao Cui, Jiawei Sheng+4 more|arXiv (Cornell University)|Jan 27, 2023

Topic Modeling被引用 8

一句话总结

本论文提出 DualCor，一种用于端到端事件因果提取（ECE）的双网格标注模型，能够捕获同一事件内外的参数相关性，从文本中提取结构化的因果事件对。

ABSTRACT

Event Causality Identification (ECI), which aims to detect whether a causality relation exists between two given textual events, is an important task for event causality understanding. However, the ECI task ignores crucial event structure and cause-effect causality component information, making it struggle for downstream applications. In this paper, we explore a novel task, namely Event Causality Extraction (ECE), aiming to extract the cause-effect event causality pairs with their structured event information from plain texts. The ECE task is more challenging since each event can contain multiple event arguments, posing fine-grained correlations between events to decide the causeeffect event pair. Hence, we propose a method with a dual grid tagging scheme to capture the intra- and inter-event argument correlations for ECE. Further, we devise a event type-enhanced model architecture to realize the dual grid tagging scheme. Experiments demonstrate the effectiveness of our method, and extensive analyses point out several future directions for ECE.

研究动机与目标

• 激发并界定一个新任务：事件因果提取（ECE），从纯文本中检索带有结构化事件信息的因果事件对。
• 通过纳入事件结构与显式因果成分，解决先前事件因果识别（ECI）的局限性。
• 提出一种双网格标注方案，用于建模 ECE 中的同事件内以及事件间参数相关性。
• 设计一个类型感知的编码器和一个端到端模型（DualCor），实现双网格标注以实现鲁棒的 ECE。

提出的方法

• 引入两个网格标注表（原因与结果），给定 m 种事件类型和 n 个令牌，其中每个条目包含一个将相关性、角色和边界字段组合在一起的标签。
• 使用双网格解码过程：参数跨度解码、事件结构解码和因果对解码。
• 应用一个类型感知编码器，将事件类型标记拼接在一起，并使用 BERT 获取令牌表示，随后通过带有 Conditional Layer Normalization（CLN）的网格表示层将事件类型信息融合到网格条目中。
• 在网格条目上对原因网格和结果网格进行多标签分类训练，结合两个网格的损失。
• 通过匹配最近端规则解码跨度，按类型聚合同事件内的参数，并通过互相关信号连接事件间参数，从而形成因果事件对。

实验结果

研究问题

• RQ1 一种利用同事件内外参数相关性、双网格标注的方法，是否能改善带有结构化事件信息的因果事件对的端到端提取？
• RQ2 通过类型感知编码器和 CLN 引入事件类型信息，是否比单一网格或以实体为中心的基线在参数预测上有改进？
• RQ3 如何对事件间相关性建模，以帮助正确匹配因果事件并减少冗余或错误分配的参数？

主要发现

Model	EAE_P	EAE_R	EAE_F1	CET_P	CET_R	CET_F1	ECE_P	ECE_R	ECE_F1
BERT-softmax+Causality	32.55	35.11	33.78	49.61	64.20	55.97	30.47	31.52	30.99
BERT-CRF+Causality	35.52	34.10	34.79	53.22	60.95	56.82	31.02	31.28	31.15
DMBERT+Causality	34.27	38.18	36.12	52.87	63.20	57.58	30.08	34.93	32.33
PLMEE+Causality	34.22	40.70	37.18	58.11	60.20	59.13	29.98	41.14	34.69
Novel-tagging	59.40	28.47	38.49	49.79	61.70	55.11	51.52	26.75	35.22
CasECE	36.88	36.72	36.80	58.26	59.70	58.97	31.30	41.81	35.80
Pair-tagging	47.08	46.49	46.79	55.78	62.95	59.14	39.24	47.69	43.05
DualCor	58.05	47.60	52.31	61.75	58.19	59.92	48.56	44.85	46.63

• DualCor 在 EAE、CET 和 ECE 指标的基线比较中实现了最佳总体结果。
• 消融研究表明，同事件内相关性、事件间相关性以及类型感知编码均对性能有显著贡献。
• 在所评估的数据集上，DualCor 在 EAE 和 CET 上取得改进，但 ECE 性能仍具有挑战性，尤其是对包含多个因果对的句子。
• 相比 Pair-Linking，DualCor 在训练和推断上具备效率优势，同时保持具有竞争力的准确性。
• 错误分析显示常见失败包括错误的因果类型预测、冗余的参数以及缺失的参数，指向未来改进的方向。