郑巧夺，吴贞东，邹俊颖

（四川师范大学 计算机科学学院，成都 610101）

0 概述

事件作为文本类信息的重要表现形式，近年来在自然语言处理（Natural Language Processing，NLP）领域应用较广泛，各类基于事件的理论模型［1］和应用技术相继出现［2-3］。一个文本通常由多个事件组成，这些事件由同一个主题串联，事件之间存在因果关系、时序关系等多种语义关系。其中，事件因果关系是较为常见和重要的一类关系，其体现出理解知识后进行推理的过程，反映了事件先后相继、由因及果的联系［4］。准确、高效地理解文本事件中的因果关系，对于掌握文本中事件的演变过程、预判事件后期发展以及文本处理的上层应用具有重要的现实意义。

在事件因果关系识别方面，国内外已提出众多基于规则的方法和基于机器学习的方法［5-6］，但这两类方法存在特征工程代价大、事件因果关系识别覆盖面低等问题。文献［7］提出一种层叠机器学习模型，可分步解决事件因果关系识别的复杂问题，但其输入与输出缺乏深层语义特征，不能结合上下文推理事件隐式因果关系。文献［8］通过使用深度学习技术，有效解决了事件因果关系抽取过程中深层语义信息推理时隐式因果关系缺失的问题。文献［9］将双向长短时记忆（Bidirectional Long Short-Term Memory，BiLSTM）神经网络模型用于事件因果关系的识别，充分结合语义特征推理出上下文因果关系。由此可见，深度学习在事件因果关系识别领域已取得一定成果，但还存在关系边界识别模糊和文本表征能力不足等问题。……