王朱君，王 石，李雪晴，朱俊武

（1.扬州大学信息工程学院，江苏扬州 225000；2.中国科学院计算技术研究所，北京 100190）

（*通信作者电子邮箱wangshi@ict.ac.cn）

0 引言

人们的社会活动以事件为驱动，事件是社会活动的载体。在自然语言处理中，事件作为一种信息表示形式显得十分重要，受到越来越多的重视。事件中包含了大量的内部组成结构（如参与者、时间、地点等）和外部关联（如因果、共指、时序等语义关系）。对包含大量事件的文本进行因果关系的抽取可以实现对文本的更加深层次的理解。在航空安全［1］、医学［2］等众多领域中，因果关系抽取也发挥着重要的作用。图灵奖获得者Bengio 表示将因果关系集成到人工智能（Artificial Intelligence，AI）中是一件大事，了解因果关系可以使得现有的人工智能更加智能高效。Pearl等［3］讲到如果没有因果推理的能力，人工智能将从根本上受到限制。

因果关系一般可以组织为事理图谱。事理图谱是表示事件之间的顺承、因果关系的有向图［4］。图中每个节点表示事件，而边用来表示事件之间的因果关系。事理图谱找出了事件的演化逻辑，从而形成大型的常识事理知识库用来直接刻画人类行为活动。很多的学者在因果关系抽取上得到了理想的结果［5-7］。

深度学习是机器学习领域如今最热门的研究方向之一，它能够模仿人类大脑的活动，使得模式识别很难解决的问题得到了合理的解决，使得自然语言处理（Natural Language Processing，NLP）相关技术取得了很大进步。近年来基于深度神经网络的因果关系抽取方法比较多，主要分为两大类：一类是基于流水线方式；……