框架目标仍是：事件要素抽取 + 跨句时序关系 + 因果推理 + 全局一致时间线
1. 总体目标与思路
目标：构建篇章级事件理解系统，同时完成
- 事件触发词/要素抽取
- 跨句时序关系抽取（TDDiscourse）
- 因果关系推断（LLM 弱监督 + 校准）
- 全局一致的时间线/关系图（结构约束）
核心策略：
- 用 LoRA 微调让大模型低成本适配具体任务
- 用 LoRA 校准让 LLM 产出的因果/要素银标更可靠
- 用 结构化推理/优化保证全局一致性（避免 LLM 不一致）
2. 数据层与标注层
2.1 时序监督（真实标签）
- TDDiscourse：跨句事件对 + {a,b,i,ii,s}（主监督，主评估集）
- TimeBank-Dense：全文 TimeML（补充事件属性、DCT、TLINK，做辅助特征/预训练/一致性约束）
2.2 因果与要素监督（银标 + 校准）
-
用基础 LLM 生成银标：
- 事件要素银标：Agent/Patient/Time/Loc/...（结构化 JSON）
- 因果银标：CAUSE/ENABLE/PREVENT/NONE（或二分类 CAUSE/NONE）
-
抽样少量样本人工校验，构建：
- Causal-Calib（几百条即可）
- Arg-Calib（几百条即可）
校准集用于 LoRA 校准，不要求规模大，但要覆盖现象（跨句、隐含因果、否定/假设等）。
3. 模型层：LoRA 驱动的多模块体系
整体结构（文本→事件→关系→时间线）：
- 事件识别与要素抽取（LoRA-IE）
- 跨句时序分类（LoRA-Temporal）
- 因果推断（LoRA-Causal，先校准再扩展）
- 全局一致推理与时间线构建（结构层）
下面逐模块细化。
3.1 模块一：事件识别与要素抽取（LoRA-IE）
输入
- TimeBank-Dense 文本（或你自己的文本）
- 标记事件候选 span（可来自 TimeML
<EVENT>或触发词检测器）
LoRA 用法
-
LoRA-IE：在底座 LLM 上做"结构化抽取"微调
- 任务：输出固定 schema 的 JSON（触发词 + 要素槽位）
- 训练数据：LLM 生成银标 + Arg-Calib 校准
输出
- 事件触发词 + 要素槽位（结构化）
- 事件属性特征（tense/aspect/polarity/class 等，来自 TimeML 或模型预测）
可选：将 LoRA-IE 产出的要素作为"实体特征向量"，再给下游关系模型用。
3.2 模块二：语义增强表示层（LoRA-Feature / 蒸馏）
目的：把 LLM 的高阶语义压缩成稳定特征，用于关系预测。
-
LoRA-Feature（可选）：微调 LLM 输出稳定的离散标签/分数，例如：
- 是否假设/否定/观点/报告
- 事件持续性强弱（duration prior）
- 因果倾向评分
- discourse phenomena 预测
将这些转换为 embedding 或 one-hot/数值特征拼接到事件表示中。
3.3 模块三：跨句时序关系分类（LoRA-Temporal，主任务）
数据
- TDDiscourse：跨句事件对 + {a,b,i,ii,s}
输入格式（关键点）
-
上下文窗口（例如事件所在句 ±2 句）
-
用特殊 token 标注事件对：
<e1> ... </e1>,<e2> ... </e2>
模型
- 底座 LLM + LoRA-Temporal（参数高效微调）
- 输出：5 类时序标签概率
训练损失
- L_temporal = CrossEntropy
这部分是你的"硬指标主线"，写论文最稳。
3.4 模块四：因果关系推断（LoRA-Causal：校准 → 扩展）
Stage A：LoRA 校准（重点）
- 用 **Causal-Calib（人工校验小集）**对 LLM 做 LoRA 微调
- 目的：纠正 LLM 的因果幻觉与过度解释
Stage B：扩展银标与联合训练
- 用校准后的 LLM 批量生成因果银标（更可靠）
- 在同一底座模型上训练 LoRA-Causal（或共享部分 LoRA）
输出
- 因果标签 +（可选）简短证据句/解释
联合损失（与时序任务联合）
- L_total = L_temporal + λ L_causal + γ L_consistency
其中一致性约束：
- 若 Causal(A,B)=1，则鼓励 Temporal(A,B)=BEFORE
- 用 margin/hinge 做软约束（允许例外）
3.5 模块五：全局一致推理与时间线构建（结构层）
目标：避免 pairwise 冲突，生成全局一致的时间结构。
两条路线：
路线 5A：时间线端点预测（Timeline Head）
- 给每个事件预测 start & duration
- 用类似 timeline loss 的约束把 TimeML 关系映射为端点约束
- 输入表示来自 LoRA-Temporal/LoRA-Feature 的事件表示
路线 5B：图优化一致性（Graph Consistency）
-
节点=事件，边=预测关系分数
-
做：
- 无环约束
- 最小修改原则
- 或 ILP/最短路径/排序优化
输出：
- 全局一致时间线
- 全局因果图（叠加在时间线上）
4. 训练与推理流程（端到端流水线）
4.1 训练阶段（建议顺序）
- LoRA-Temporal（用 TDDiscourse 真标注先跑稳）
- 构建 Causal-Calib / Arg-Calib 少量人工校验集
- LoRA-Causal 校准 → 批量生成因果银标
- LoRA-IE 校准 → 批量生成要素银标
- 多任务联合训练（Temporal + Causal + Consistency）
- 最后加入 全局一致结构层（时间线/图优化）
4.2 推理阶段
文本 → LoRA-IE 事件/要素 → LoRA-Temporal 时序关系 → LoRA-Causal 因果关系 → 结构层全局一致 → 输出时间线/关系图
5. 实验与评估设计
5.1 主任务：TDDiscourse 时序分类
-
指标：F1、Temporal Awareness（如可复现）
-
对比：
- 不用 LoRA（冻结模型 + 线性层）
- LoRA-Temporal
- LoRA-Temporal + LLM语义特征
- 联合因果 + 一致性约束
-
- 全局一致结构层
5.2 因果质量评估
- 在人工校验集上算：Precision/Recall/F1
- 校准前 vs 校准后 LLM 的提升（这是亮点）
5.3 一致性评估
- 冲突率（cycle / 违反包含关系）
- 时间线可满足率（s,d 端点约束满足比例）
5.4 现象分析（TDDiscourse phenomena）
- 哪类 phenomena 最难
- LoRA + 语义增强对哪些 phenomena 提升最大
6. 论文可写的贡献点（LoRA版）
- LoRA-Temporal：参数高效跨句时序适配（主结果）
- LoRA 校准式银标生成：显著提升因果/要素银标可靠性，并带来下游提升
- 因果-时序一致性约束：将认知约束注入多任务学习
- 全局一致时间线构建：从局部关系到篇章级一致结构
- phenomena 驱动分析：揭示跨句推断困难来源与模型改善机制