摘要
事件因果关系识别（ECI）要求模型判断上下文中事件对是否存在因果关系。尽管大语言模型（LLM）在多种 NLP 任务中表现优异，但因因果推理偏差导致过度预测（因果幻觉），其在 ECI 中的效果受限。为此，本文提出 SERE，一种利用 LLM 少样本学习能力的结构化示例检索框架。该框架引入三种结构概念：基于 ConceptNet 编辑距离的概念路径度量、基于句法树编辑距离的句法度量，以及基于预定义因果结构的 LLM 因果模式过滤。实验表明，SERE 能有效筛选相关示例，减轻偏差并显著提升 ECI 任务的准确性。
AI 推荐理由
论文核心解决 LLM 因果推理中的幻觉问题，通过结构化检索增强推理准确性。
研究机构
School of Computer Science, Guangdong University of Technology
College of Mathematics and Computer, Shantou University
论文信息