ACL-2021 Knowledge-Enriched Event Causality Identification via Latent Structure Induction Networks
论文信息: Cao, Pengfei, Xinyu Zuo, Yubo Chen, Kang Liu, Jun Zhao, Yuguang Chen, and Weihua Peng. "Knowledge-Enriched Event Causality Identification via Latent Structure Induction Networks." In Proceedings of the ACL, pp. 4862-4872. 2021.
链接 : https://aclanthology.org/2021.acl-long.376.pdf
文章总结(What)
文章提出了一个利用外部知识来帮助事件因果推断的方法，其中外部知识分为描述性知识和关系型知识，其编码主要通过图神经网络来表示。
这两种知识分别存在一些挑战
- 对于描述性知识，是一个图，需要编码，是一个挑战；其次，描述性知识不完整，需要充分挖掘知识库中不存在 的知识
-
对于关系型知识，多跳关系可能漏掉一些新；其次，有一些路径上的知识对于因果推断没有帮助。
解决方法都是通过一个图的归纳模块来对知识进行编码和推理。
kg-eci.png
任务流程：
- 给定文章，文章中已经标注了事件
- 在conceptNet中查找事件相关的概念，包括描述性(xxx isA xxx)和关系型(xxx cause xxx)的知识; 拓展相关概念，方法包括COMET，多跳知识查找等
- 图编码，根据查找到的概念进行图的编码和推理
- 两个图的信息融合，然后输出关系表示的向量，进行关系分类
问题：
- 非事件节点的初始表示怎么来的
IJCAI-2020 Knowledge Enhanced Event Causality Identification with Mention Masking Generalizations
论文信息: Liu, Jian, Yubo Chen, and Jun Zhao. "Knowledge Enhanced Event Causality Identification with Mention Masking Generalizations." In IJCAI, pp. 3608-3614. 2020.
链接 : https://www.ijcai.org/proceedings/2020/0499.pdf
文章总结(What)
文章提出了一个利用外部知识来帮助事件因果推断的方法，并且加入了mask机制来获得通用的推断信息。
文章贡献有
- 引入了外部知识来帮助事件因果推断（ECI）任务，尚属首次。引入的方法是在每一个句子的前面加上由ConceptNet得到的外部知识。
- 对于外部知识无法覆盖全面的问题，引入mention mask机制，让模型学习到通用的推断信息，例如a cause b,这种模型，都任务a是b的原因。
- 引入哨兵机制，来均衡背景知识和语义知识的贡献，防止外部背景知识的权重过大，对句子本来的语义产生扰动。
也就是所谓的fusion gate机制。
20211016_2.png
网友评论