myMyninikoniniko 3ee6c69650 Initial commit		1 mēnesi atpakaļ
..
资源	3ee6c69650 Initial commit	1 mēnesi atpakaļ
readme.md	3ee6c69650 Initial commit	1 mēnesi atpakaļ

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。

readme.md