常识性因果推理在人工智能领域是一个十分具有挑战性的问题,它在人们日常行为及决策中扮演着重要角色。因果推理基于对现实生活中各种事件或行为及其之间的相关关系的深入理解。这些事件或行为在文本中通常表现为单词、短语或句子。因果关系通常由原因和结果两个部分组成,在文本数据中通常体现为文本片段。然而事件及因果关系都蕴含在自然语言语料中,必须经过处理和分析才能得到其中有价值的知识。常识性因果知识,一方面因为被人熟知而具有强大的潜在推理能力,另一方面因为其在语料中的稀疏性、歧义性和隐晦性很难被直接获取。本论文研究的常识性因果推理主要是对普通知识(常识)所蕴含的因果关系及因果语义进行的深入解析。这种解析包括常识性因果关系的检测、识别与提取,并能够在此基础上判断事件之间是否有潜在的因果关系。我们将建立两种不同的因果知识库来帮助解决因果推理任务。第一是直接建立具有因果关系强度的大规模因果网络作为常识性因果关系知识库(CausalNet)。这个知识库主要基于传统的频率统计、条件概率方法。在知识库中,单词作为节点,节点之间由具有方向性的边相连,边上的权重即为起点原因到终点结果之间的因果强度。第二是学习因果词向量表示(CausalVec),将事件映射到向量空间中去。我们将该映射空间命名为因果空间,在这个空间中每一个事件将由原因和结果两个不同的向量来表示。事件之间的因果强度由原因和结果向量的点乘表示。有了因果知识库,我们可以衡量事件之间的因果关系强度进而进行因果推断;我们也可以根据给定的原因或结果来推测最有可能的结果或原因。