A Survey of Event Causality Identification: Taxonomy, Challenges, Assessment, and Prospects
作者: Qing Cheng, Zefan Zeng, Xingchen Hu, Yuehang Si, Zhong Liu
分类: cs.CL, cs.AI
发布日期: 2024-11-15 (更新: 2025-07-24)
💡 一句话要点
事件因果关系识别综述：系统分类、挑战、评估与展望
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 事件因果关系识别 自然语言处理 深度学习 文本挖掘 信息抽取
📋 核心要点
- 现有事件因果关系识别方法在处理复杂文本和跨语言场景时存在局限性，需要更有效的模型。
- 论文通过构建系统分类框架，深入分析现有模型，并关注多语言和零样本学习，提出了全面的解决方案。
- 论文在多个基准数据集上进行了广泛评估，为未来研究提供了参考，并指明了潜在的改进方向。
📝 摘要（中文）
事件因果关系识别（ECI）已成为自然语言处理（NLP）中的一项重要任务，专注于自动检测文本中事件之间的因果关系。本综述系统地研究了基本概念和模型，构建了一个系统的分类体系，并批判性地评估了各种模型。我们首先定义核心概念，形式化ECI问题，并概述标准评估协议。我们的分类框架将ECI模型分为两个主要任务：句子级事件因果关系识别（SECI）和文档级事件因果关系识别（DECI）。对于SECI，我们回顾了采用基于特征模式匹配、机器学习分类器、深度语义编码、基于提示的微调和因果知识预训练的模型，以及数据增强策略。对于DECI，我们侧重于利用深度语义编码、事件图推理和基于提示的微调的方法。特别关注多语言和跨语言ECI的最新进展，以及利用大型语言模型（LLM）的零样本ECI。我们分析了每种方法的优势、局限性和未解决的挑战。在四个基准数据集上进行了广泛的定量评估，以严格评估各种ECI模型的性能。最后，我们讨论了未来的研究方向，并强调了进一步推进该领域的机会。
🔬 方法详解
问题定义：事件因果关系识别（ECI）旨在自动检测文本中事件之间的因果关系。现有方法在句子级别（SECI）和文档级别（DECI）都存在挑战，例如，SECI难以捕捉复杂的语义关系，DECI则面临长文本推理的困难。此外，多语言和零样本场景下的ECI性能也亟待提升。现有方法的痛点在于缺乏统一的分类框架，难以系统地评估和比较不同模型的优劣。
核心思路：该综述的核心思路是对现有ECI模型进行系统性的分类和评估，从而为研究人员提供一个清晰的全局视角。通过分析不同模型的优势和局限性，以及它们在不同任务和数据集上的表现，该综述旨在揭示当前研究的瓶颈，并为未来的研究方向提供指导。特别关注了近年来兴起的基于提示学习和大型语言模型的方法。
技术框架：该综述首先定义了ECI的核心概念和形式化问题，并概述了标准的评估协议。然后，将ECI模型分为SECI和DECI两大类，分别对各类模型进行了详细的分析和讨论。对于SECI，综述涵盖了基于特征模式匹配、机器学习分类器、深度语义编码、基于提示的微调和因果知识预训练等方法。对于DECI，综述侧重于深度语义编码、事件图推理和基于提示的微调。此外，还专门讨论了多语言和跨语言ECI，以及零样本ECI。
关键创新：该综述的关键创新在于构建了一个系统的ECI模型分类框架，并对各类模型进行了全面的评估和比较。与以往的综述相比，该综述更加关注近年来兴起的新方法，例如基于提示学习和大型语言模型的方法，并对这些方法的优势和局限性进行了深入的分析。此外，该综述还特别关注了多语言和零样本场景下的ECI，这在以往的综述中较少涉及。
关键设计：该综述的关键设计在于其系统性的分类框架和全面的评估方法。分类框架将ECI模型分为SECI和DECI两大类，并对各类模型进行了详细的分析和讨论。评估方法包括对不同模型在多个基准数据集上的性能进行定量评估，以及对模型的优势和局限性进行定性分析。此外，该综述还对未来的研究方向进行了展望，并提出了若干有价值的研究问题。
🖼️ 关键图片
📊 实验亮点
该综述在四个基准数据集上对各种ECI模型进行了广泛的定量评估，揭示了不同模型在不同任务上的性能差异。例如，基于提示学习的模型在零样本ECI任务上表现出显著的优势。此外，该综述还指出了现有模型在处理复杂文本和跨语言场景时存在的局限性，为未来的研究提供了重要的参考。
🎯 应用场景
事件因果关系识别技术可广泛应用于信息抽取、文本摘要、问答系统、舆情分析等领域。例如，在舆情分析中，可以利用ECI技术识别事件之间的因果关系，从而更好地理解舆情的发展趋势和潜在风险。此外，ECI技术还可以用于构建知识图谱，为智能决策提供支持。未来，随着ECI技术的不断发展，其应用前景将更加广阔。
📄 摘要（原文）
Event Causality Identification (ECI) has become an essential task in Natural Language Processing (NLP), focused on automatically detecting causal relationships between events within texts. This comprehensive survey systematically investigates fundamental concepts and models, developing a systematic taxonomy and critically evaluating diverse models. We begin by defining core concepts, formalizing the ECI problem, and outlining standard evaluation protocols. Our classification framework divides ECI models into two primary tasks: Sentence-level Event Causality Identification (SECI) and Document-level Event Causality Identification (DECI). For SECI, we review models employing feature pattern-based matching, machine learning classifiers, deep semantic encoding, prompt-based fine-tuning, and causal knowledge pre-training, alongside data augmentation strategies. For DECI, we focus on approaches utilizing deep semantic encoding, event graph reasoning, and prompt-based fine-tuning. Special attention is given to recent advancements in multi-lingual and cross-lingual ECI, as well as zero-shot ECI leveraging Large Language Models (LLMs). We analyze the strengths, limitations, and unresolved challenges associated with each approach. Extensive quantitative evaluations are conducted on four benchmark datasets to rigorously assess the performance of various ECI models. We conclude by discussing future research directions and highlighting opportunities to advance the field further.