零样本跨语言文档级事件因果关系识别与异构图对比迁移学习

事件因果关系识别（ECI）指的是检测文本中事件之间的因果关系。然而，大多数现有研究集中于高资源语言的句子级 ECI，使得低资源语言的文档级 ECI（DECI）仍未得到充分探索。本文提出了一种异构图交互模型（GIMC），结合多粒度对比迁移学习，用于零样本跨语言文档级 ECI。具体而言，我们引入异构图交互网络来建模文档中分散事件之间的长距离依赖。接着，为了提高从源语言学习的因果知识的跨语言可迁移性，我们提出了一个多粒度对比迁移学习模块，以对齐跨语言的因果表示。大量实验表明，我们的框架在单语言和多语言场景中分别比之前的最先进模型提高了 9.4% 和 8.2%的平均 F1 分数。值得注意的是，在多语言场景中，我们的零样本框架的整体表现甚至比基于少样本学习的 GPT-3.5 高出 24.3%。