【论文速递】COLING 2022 - 带有事件论元相关性的事件因果关系抽取

【论文原文】：Event Causality Extraction with Event Argument Correlations

【作者信息】：Cui, Shiyao and Sheng, Jiawei and Cong, Xin and Li, Quangang and Liu, Tingwen and Shi, Jinqiao

论文：https://arxiv.org/pdf/2301.11621.pdf
代码：https://github.com/cuishiyao96/ECE

博主关键词：双网格标记方案、事件因果关系、类型增强

推荐论文：无

摘要

事件因果关系识别(ECI)是事件因果关系理解的重要任务，其目的是检测两个给定文本事件之间是否存在因果关系。然而，ECI任务忽略了关键的事件结构和因果关系组件信息，使其难以用于下游应用。在本文中，我们探索了一种新的任务，即事件因果关系抽取(ECE)，旨在从纯文本中抽取因果事件对及其结构化事件信息。ECE任务更具挑战性，因为每个事件可以包含多个事件论元，在事件之间提出细粒度的相关性，以确定因果事件对。因此，我们提出了一种带有双网格标记方案(dual grid tagging scheme)的方法来捕获ECE的事件内和事件间论元相关性。在此基础上，我们设计了一种事件类型增强模型架构来实现双网格标记方案。实验证明了我们的方法的有效性，广泛的分析指出了ECE未来的几个方向。

1、简介

事件因果关系(Liu et al, 2020;Cao等人，2021)表示两个事件之间的明确因果关系，构成特定的因果事件对。如图1所示，Price Rise事件(全球油价上涨)和Cost Rise事件(国际航运业成本增加)之间存在因果关系。理解这样的事件因果关系可以促进各种下游应用，包括事件预测(Hashimoto等人，2014)、智能搜索(Rudnik等人，2019)和问题回答(Costa等人，2020)，这对自然语言理解很重要。

近年来，它引起了事件因果关系识别(ECI)的研究兴趣(Liu et al., 2020； Cao et al.，2021;Zuo et al.，2021a,b, 2020;Tran Phu and Nguyen, 2021)，旨在检测两个给定事件之间是否存在因果关系。尽管ECI任务取得了成功，但仍有两个问题未能解决。1)事件结构缺失，ECI中的每个事件仅使用反映其发生的单词或短语来表示，而忽略了显式的事件类型和事件论元(即参与事件的实体)。缺乏这样的事件结构将失去理解事件因果关系的有价值的线索。如图1所示，“oil”在Price Rise-type-cause事件中扮演了Product角色，这意味着对“shipping industry”产生了一个Cost Rise-type-effect事件。2)因果成分缺失(Causality Component Missing)， ECI只预测给定事件对之间是否存在因果关系，忽略区分具体的因果事件因果成分。受这些问题的限制，ECI对事件之间的因果关系探究不足，这就需要对事件因果关系的认识进一步提升。

在CCKS(2021)中关于事件因果关系的讨论的激励下，我们制定了一个被称为事件因果关系抽取(ECE)的任务。如图1所示，ECE旨在端到端地从纯文本中抽取带有结构化事件信息的因果事件对。与ECI相比，ECE阐明了事件因果关系，包括事件结构，即事件类型和论元，以及具体的因果关系组件，使其更有信息性，以支持各种下游应用(Wang et al, 2021a)。

直观地说，可以通过依次抽取结构化事件，然后对它们的因果关系进行分类来实现ECE。不幸的是，这样的范例很容易出现冗余事件对问题，其中不可避免地会抽取与因果关系无关的事件，从而混淆因果关系决策。另一个有希望的方向是借用关系三元组抽取(RTE)的思想，它们共享类似的任务公式。然而，与以实体为中心的RTE任务相比，以事件为中心的ECE提出了新的挑战:1)事件内论元相关性(Intra-event Argument correlation)。具体而言，ECE侧重于事件，这是一种保持其论元之间相互关联的结构。例如在图1中，Demand Rise事件中的论元“new energy”和“Ammonia fuel”具有很强的语义相关性。虽然RTE侧重于单个实体，因此简单地采用RTE模型无法捕获此类相关性来派生事件结构。2)事件间论元相关性。具体地说，因果事件对中涉及的事件论元通常显示因果关系推断的语义相关性。如图1所示，发生在“worldwide” Region 的事件Pricing_Rise可以暗示发生在“international” region的事件Cost_Rise。结果表明，事件间论元相关性不仅为确定因果关系提供了重要线索，而且有利于可靠的因果事件抽取，且因果对之间相互确认。

在本文中，我们提出了一种名为DualCor的有效方法，它利用ECE的双网格标记方案探索了事件内和事件间的论元相关性。具体来说，DualCor包含两个关于事件类型和输入句子的网格标记表，分别派生因果事件的事件结构。在每个表中，DualCor根据不同的事件类型抽取结构化的事件论元，自然地考虑到事件内部论元的相关性。此外，在预测原因/结果表中的事件论元时，DualCor还预测它们对应的结果/原因事件论元，作为辅助论元来促进事件论元之间的相关性。通过确认另一个表中的辅助论元，DualCor匹配可靠的因果事件对作为预测。为了实现上述双网格标记方案，我们进一步设计了一种类型感知编码器，该编码器利用基本事件类型信息细化文本表示，以增强论元预测。我们在可感知类型的文本表示上进行双网格标记，以导出最终的因果事件对。总体而言，我们的主要贡献包括:

(1)为了促进对事件因果关系的理解，我们制定了一个新的任务，称为事件因果关系抽取(ECE)，它继承了ECI，推动了对事件因果关系理解的研究。

(2)我们提出了一种新颖的方法DualCor，以利用ECE的事件内和事件间的论元相关性，并将其作为激励后续研究的基线。

(3)在ECE数据集上的实验反映了DualCor的有效性，广泛的分析显示了未来工作的潜在研究方向。

2、模型方法

本节介绍了我们提出的ECE双网格标记方案，包括标记方案及其解码策略。第5节介绍了模型的具体实现。

标记模式：一般情况下，我们为因果事件分别构建了两个网格标记表，每个表抽取了句子中可能发生的所有事件。在形式上，给定一个 $n$ 个token句和 $m$ 个预定义的事件类型，我们分别为原因和结果事件构造两个 $m \times n$ 的网格表。如图2所示，每行表示同一事件类型中的论元，而每列表示根据事件类型分配给句子中的token的标记。

对于表格中的每一行，我们用一个{Cor-Rol-Bdy}形式的标签填充它，该标签由三个字段组成，分别是correlation-field、role-field和boundary-field:

(1)对于boundary-field: $Bdy∈\{Sta, End\}$ ，我们设计它来表示论元跨度的起始位置和结束位置。例如，在图2(a)中，我们通过匹配Cor-Rol-Sta和Cor-Rol-End标记来匹配论元“corn seeds”。

(2)对于role-field: $Rol∈\{Rol_i\}_i$ ( $i$ 为角色索引)，我们设计它来表示一个事件中每个论元的事件角色，从而构成一个事件结构。例如，在图2(a)中，我们根据Price_Rising行中的Cor-Product-Bdy标签，将论元“corn seeds”确定为Price_Rising类型事件中的Product-role论元。

(3)对于correlation-field: $Cor∈\{Intra, Inter\}$ ，我们设计它来表示因果事件对中的事件论元相关性。具体来说，Intra表示一个因果关系组件中属于同一事件的论元，而Inter表示另一个因果关系组件中的论元。例如，在预测原因表中的原因事件时，我们不仅预测具有原因事件类型的原因论元(标记为Intra)，还预测潜在的结果论元(标记为Inter)，作为因果对匹配中相互确认的辅助论元。图2(a)显示，我们不仅使用Intra为Price_Risetype原因事件预测论元“corn seeds”，而且还使用Inter标记作为影响事件论元预测“corn planting”。通过将论元“corn planting”与effect表中的Intra标记相匹配，我们可以派生一个Price_Rise类型和Profit_Decline类型的事件对。

在标记方案的基础上，该模型可以自然地抽取因果关系事件对及其论元。此外，该方案在单独的类型行中学习每种类型的事件论元，允许模型考虑与特定类型信息的内部事件论元相关性。此外，标记方案强制模型从一个因果关系组件中抽取论元，感知另一个因果关系组件中的论元，从而捕获事件之间的论元相关性。

解码策略：在标记方案的基础上，介绍了标记结果的解码策略。具体来说，我们将该过程分解为论元跨度解码、事件结构解码和因果对解码三个步骤。附录A还提供了这三个步骤的图形说明。

步骤1，论元跨度解码。为了推导因果事件的论元范围，我们采用了最接近的起始-结束匹配原则(Wei et al, 2020)。具体来说，对于在同一行中具有相同的correlation-field和role-filed的条目标签，我们根据位置字段将起始位置与最近的结束位置匹配，以获得候选论元跨度。例如，在图2(a)中，这一步应该预测“agriculture products”、“nationwide”、“corn seeds”、“corn planting”和“across the country”作为候选论元范围。

步骤2，事件结构解码。为了获得因果事件的事件结构，我们收集附加到相同事件类型的候选论元范围。具体来说，我们将事件论元与属于同一行的相关字段Intra合并，从而生成结构化的候选事件。例如，在图2(a)中，给定步骤1中的候选论元范围，该步骤应该选择带有Intra标记的“agriculture products”、“nationwide”和“corn seeds”作为price_rising类型的候选原因事件论元。

步骤3，因果对解码。为了获得因果关系对，我们匹配候选因果事件之间的事件间相关论元。具体来说，我们搜索同时关联相关字段Intra和Inter的两个事件表中同时出现的论元，然后确认因果事件论元。例如，在图2(a)中，给定步骤2中的候选事件论元，这一步应该选择“nationwide”和“corn seeds”作为真正的原因事件论元，因为在效果表中也存在带有Inter标记的“nationwide”和“corn seeds”(图2(b))。类似地，该步骤还选择“corn planting”、“across the country”作为profit_decline类型效应事件中的论元。相应地，它预测price_rise类型的原因和profit_decination类型的结果事件对，如图3所示。请注意，尽管“agriculture product”也是步骤2中price_rise类型事件的事件论元候选，但由于effect表中缺乏Inter correlation，因此它不包括在因果关系对中。