# 赛题04：面向多源异构文档的事件因果链构建与证据约束推演

## 赛题详细信息


面向信息挖掘与辅助决策的业务需求，要求参赛者能够从多篇新闻文档中自动抽取事件、识别因果关系和构建因果图谱，并基于证据约束回答因果追溯、态势推演和反事实推理等问题。
设置基础档（提供因果图）、推理档（仅提供事件列表）和挑战档（仅原始文档）三档渐进式难度，旨在推动事件因果推理算法模型在复杂真实场景下的鲁棒性、可解释性与泛化能力，为后期实践运用提供有效支撑。

## 技术路线分析

五、赛题04：事件因果链构建与证据约束推演

这是 8 个题里面学术性最强的几个之一。

整个流程：

Documents
 ↓
Event Extraction
 ↓
Event Coreference
 ↓
Temporal Relation
 ↓
Causal Relation
 ↓
Causal Graph
 ↓
Evidence Grounding
 ↓
Reasoning
### 1. 事件抽取

例如：

暴雨导致道路损坏，运输因此中断。

抽成：

E1 = 暴雨
E2 = 道路损坏
E3 = 运输中断
### 2. 因果关系抽取

得到：

E
1

→E
2

E
2

→E
3


最终：

暴雨
 ↓
道路损坏
 ↓
运输中断
### 3. 一定要加入 Temporal Relation

因为：

Cause(A,B)

一般要求：

Time(A)<Time(B)

所以建议同时预测：

before

after

overlap

cause

enable

prevent

### 4. Graph Model

最终构建：

G=(V,E)

其中：

V=Events
E=CausalRelations

同时每条边：

cause(E1,E2)
confidence=0.87
evidence=doc3_sentence17

这就是赛题里所谓：

证据约束。

### 5. 推演
因果追溯

问：

为什么发生 E？

Graph Search：

E
1

→E
2

→E
态势推演
E
t

→Possible(E
t+1

)
反事实

例如：

如果 E1 没发生会怎样？

本质上就是：

do(E
1

=0)

然后重新推演：

G
′

不过要特别注意：

从新闻文本学到的“事件因果关系”，不等同于严格统计意义上的因果识别。

比赛里更准确的做法应该是：

Evidence-grounded causal reasoning

而不是宣称从新闻中发现了真实世界的严格因果规律。

### 6. 当前技术发展

传统 Event Causality Identification 已经从：

BERT classification

逐渐演进到：

Knowledge
+
Graph
+
LLM reasoning

2025 COLING 的研究已经用：

LLM + 异构事件图 + 外部知识

提升事件因果识别。

另一个很值得注意的路线 Dr.ECI，直接把因果识别拆成多个专门推理 Agent，例如隐含因果发现、中介事件识别、直接/间接因果推理，并取得很强的效果。

到 EMNLP 2025，又进一步出现：

LLM 因果推理 + 多阶段知识验证 + 动态对比学习

用来减少虚假的因果关系。

同时最新 benchmark 仍显示，现有 LLM 在共指、时间、因果等复杂事件关系理解方面远未解决。

因此这个赛题创新空间非常大。

### 7. 一个很有竞争力的方案

可以设计：

CausalGraph-Agent
Extraction Agent
       ↓
Coreference Agent
       ↓
Temporal Agent
       ↓
Causal Agent
       ↓
Evidence Agent
       ↓
Graph
       ↓
Reasoning Agent

但是不要真的做 5 个完整大模型。

工程上可以是：

同一个 LLM + 不同任务 Prompt/LoRA + Graph pipeline。

评价

科研含量：9.5/10

比赛稳定性：6.5/10

整体推荐：7.7/10

非常适合想：

冲创新奖 / 做论文 / 后续科研

的团队。

## 相关论文与开源项目

- [Dr.ECI: Infusing Large Language Models with Causal Knowledge for Decomposed Reasoning in Event Causality Identification](https://aclanthology.org/2025.coling-main.628/)（COLING 2025）：把事件因果识别拆分为隐含因果发现、中介事件检测、直接与间接因果推理；[官方代码](https://github.com/DMIRLAB-Group/Dr.ECI)。
- [DICP: Deep In-Context Prompt for Event Causality Identification](https://aclanthology.org/2025.findings-emnlp.139/)（Findings of EMNLP 2025）：将 in-context examples 注入预训练模型深层表征；[作者代码](https://github.com/sj1071-cell/DICP)包含数据预处理、AMR parsing 与训练流程。
- [In-context Contrastive Learning for Event Causality Identification](https://aclanthology.org/2024.emnlp-main.51/)（EMNLP 2024）：利用正负 demonstrations 进行对比学习；[作者代码](https://github.com/ChaoLiang-HUST/ICCL)。
- [Advancing Event Causality Identification via Heuristic Semantic Dependency Inquiry Network](https://aclanthology.org/2024.emnlp-main.87/)（EMNLP 2024）：SemDI 利用语义依赖信息识别事件因果；[作者代码与 ESC、ESC*、CTB 数据处理](https://github.com/hrlics/SemDI)。
- [Identifying while Learning for Document Event Causality Identification](https://aclanthology.org/2024.acl-long.210/)（ACL 2024）：在迭代构图过程中联合更新事件表征，并同时判断因果存在性与方向。
- [A Survey of Event Causality Identification](https://arxiv.org/abs/2411.10371)：覆盖事件因果识别的任务定义、方法谱系、数据集与评测挑战。

边界说明：新闻文本中的事件因果关系是“有文本证据支撑的因果叙述”，不等同于由干预或统计识别得到的真实世界因果效应。