通过链发现构建文本中的隐式因果图

文本中的因果图通常由可观察的预定义事件填充。相比之下，我们通过将每个描述的因果对视为潜在潜在因果图的开始和终点，并使用 大语言模型 (LLM) 来推断中间因果事件来研究文本中的隐式因果图构造。我们将端到端图构建与将任务框架为因果链发现的方法进行比较。在后者中，图是通过聚合推断链或通过迭代搜索过程逐步扩展部分链来构建的。我们进一步探索群体扩展的智慧，在事后聚合和协作推理设置中访问来自多个 LLM 的因果知识。我们分析了这些方法之间的权衡，并使用手动管理的包含 1,560 个经过科学验证的因果对的数据库来评估推断因果关系的有效性。这种基于数据库的评估被认为是可靠的、资源高效的，并且可以转移到 真值 图不可用的设置。