DKCD：面向非结构化数据的领域知识增强型因果发现

arXiv编号：2607.09348 | 提交日期：2026年7月10日 作者：Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen 学科分类：计算与语言 (cs.CL)

研究背景与核心挑战

在医疗、金融和教育等高专业知识领域中，从非结构化数据进行因果发现是一项极具挑战性但尚未得到充分探索的任务。现有方法通常依赖大语言模型（LLM）的通用知识，从非结构化数据中识别因果因素，并将其标注为结构化数据以构建因果图。然而，它们仍受限于两大关键挑战（CHs）： - (CH1) 潜在因素识别不足：由于缺乏领域特定知识，模型难以充分识别隐含在数据中但对因果发现至关重要的潜在因素。 - (CH2) 因素标注不可靠：由于缺乏基于领域的推理能力，导致标注过程产生误差，并将错误直接传播至最终生成的因果图中。

DKCD框架：三大核心组件

为应对上述挑战，本研究提出了一种新型领域知识增强型因果发现框架（DKCD），专为高专业知识领域的非结构化数据因果发现而设计。该框架包含三个相互关联的组件： 1. 知识挖掘（Knowledge Mining）：基于可观察因素检索相关领域知识，为后续因果推理提供支持。 2. 知识引导的因果推理（Knowledge-guided Causal Reasoning）：结合相关知识进行推理，发现潜在的因果因素以解决CH1，并生成关键的因果线索以实现更准确的数据标注，从而应对CH2。 3. 因果结构发现（Causal Structure Discovery）：基于更完整的因素集和准确的标注，构建最终的因果图。

实验验证

在两个特定领域数据集上的实验表明，DKCD显著改善了因果因素识别与因果图构建的效果。