精选今天0 投票
抽象事件因果规则：从实例到逻辑的智能推理新范式
事件驱动的智能分析系统，如风险预警、决策支持与叙事理解，高度依赖显式的因果事件知识。然而，传统的实例级因果对在低频长尾和未见事件组合上存在严重的泛化缺陷。为此，研究者提出了一种全新的关系级因果抽象范式——抽象事件因果规则（AECR），将具体的因果对转化为通用的抽象因果逻辑，同时保留其内在的因果语义。
从具体到抽象：多智能体因果归纳
论文设计了一个多智能体具体到抽象因果归纳（CACI）系统，配合相似度约束聚类，从嘈杂的原始因果数据中提炼出可信的AECR，并构建了两个完整的AECR知识库。这一过程类似于人类专家从大量案例中总结规律，使得因果知识更具泛化能力。
注入规则：提升事件预测性能
为了验证抽象因果知识的实用价值，研究团队提出了抽象规则引导的因果注意力编码器（AR-GCAE），通过规则引导的注意力层和门控表示融合，将检索到的AECR注入到因果图事件预测（CGEP）基准任务中。定量实验表明，应用AECR显著增强了事件因果推理的泛化能力，并在事件预测上带来一致的性能提升，尤其是在稀有和未见事件样本上效果最为显著。
意义与展望
这项工作为事件因果推理提供了一种新的思路：不再局限于实例层面的匹配，而是通过抽象规则捕捉事件间的深层因果结构。这对于处理现实世界中数据稀疏、事件组合多样的问题具有重要价值。未来，这种抽象因果规则有望在更广泛的应用场景中发挥作用，如智能决策、舆情分析等。
论文由Ziwei Zheng、Peiqiong Chen和Bang Wang共同完成，发表于arXiv（编号：2608.05205）。