💬 NLP

DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

本文介绍了 DKCD，这是一个通过整合领域知识来改进潜在因子识别和因果图构建准确性的新颖框架，旨在增强高专业性领域中非结构化数据的因果发现能力。

原作者： Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在试图解决一个巨大的、混乱的谜团：弄清楚现实世界中究竟是什么导致了什么，比如为什么有些人会患上糖尿病，或者为什么有些人会有呼吸问题。通常情况下，侦探们（科学家）需要整洁、有序的线索卡（结构化数据）来破解案件。但在现实世界中，线索往往隐藏在冗长、混乱的段落文本中（非结构化数据），比如医生的手写笔记或患者的故事。

有一段时间，我们一直在使用被称为“大语言模型”（LLMs）的超级智能机器人来阅读这些混乱的故事并猜测线索。你可以把这些机器人想象成博学多才的通才，它们对各种事物都略知一二。但问题在于，当谜题变得非常专业时——比如进入医学这一深度领域——这些通才型机器人就会撞上一堵墙。它们会错过只有真正的专家才会知道的隐藏线索，有时也会因为缺乏深厚的专业背景，而在连接线索时做出错误的判断。

这篇论文介绍了一个新的侦探团队，叫做 DKCD（领域知识增强型因果发现）。DKCD 不再让机器人独自猜测，而是给了它一张由领域知识图谱组成的“小抄”。想象一下这张图谱是一个巨大的、相互关联的专家事实地图（比如关于肾脏、基因和血糖水平如何相互关联的地图，专门针对糖尿病领域）。

以下是 DKCD 如何通过三个有趣的步骤来解决这个谜题的：

线索搜寻： 首先，机器人阅读混乱的文本并提取出它能看到的明显线索（如“吸烟”或“年龄”）。然后，它利用专家地图来寻找相关的隐藏线索。这就像是在泥地里发现了一个脚印，然后查看地图后意识到：“哦，这个脚印靠近一条河，所以可能凶手是在钓鱼！”这一步是为了寻找“潜在因素”——即那些机器人靠自己会错过的隐藏原因，比如“肾脏疾病”或“遗传风险”，这些因素并不总是被明确写出来，但可以通过其他症状暗示出来。
推理环节： 接下来，机器人利用专家地图来弄清楚这些线索是如何连接的。它不仅仅是在瞎猜，而是基于地图进行推理。这有助于它更准确地记录线索，避免出现由于缺乏背景知识而误以为“吸烟”直接导致“糖尿病”的情况，而实际上，地图显示其过程更为复杂。这一步创造了“因果线索”——这些微小的提示会引导机器人正确地为数据评分。
最终地图： 最后，有了完整的线索清单和准确的分数，团队使用标准的统计工具来绘制最终的“因果图”。这是展示究竟是什么导致了什么的终极地图。

论文的研究结果：
作者在两个虚构但真实的医疗数据集上测试了 DKCD：一个是关于糖尿病的 400 个患者故事（涉及 14 个不同因素），另一个是关于呼吸系统问题的 400 个故事（涉及 8 个因素）。他们将 DKCD 与其他方法进行了对比，包括流行的“COAT”框架以及仅仅靠机器人自行猜测的情况。

结果显示，DKCD 在寻找正确线索和绘制正确地图方面表现得显著更好。例如，在利用顶尖机器人（GPT-4o）处理糖尿病数据集时，DKCD 找到正确因素的成功率（节点精确度）约为 84%，而之前的最佳方法仅为 61% 左右。当涉及到绘制最终的连接图时，DKCD 的错误率（ESHD）更低，为 25.33，而旧方法为 30.67。这些数字表明，加入专家地图确实有助于机器人看到全貌，而不只是看到显而易见的部分。

论文排除了哪些观点：
论文明确反驳了“仅靠聪明的机器人就足以应对这些高专业领域”的观点。研究表明，如果没有外部“小抄”（领域知识图谱），机器人会遗漏关键的隐藏因素，并做出不可靠的猜测。它还指出，仅仅拥有更多的数据并不是解决办法；通过专家知识引导的推理质量才是关键。

结论的可信度如何？
作者对这些结果充满信心，但他们也很谨慎地表示，这些结果是基于模拟和合成数据集的。他们根据真实的医学知识和地面真值（ground-truth）地图，精心创建了这 400 个患者的数据集来测试他们的系统。他们还没有在医院里针对真实的、活生生的患者进行测试。因此，虽然这些数字在受控测试中看起来很棒，但论文指出这是一个充满前景的新方向，而非已经解决的现实世界问题。他们承认，机器人有时仍会编造事实（幻觉）或产生偏见，构建更大规模的真实世界测试案例是未来的工作。

简而言之，DKCD 就像是给一位天才侦探配备了一本专业的实地考察指南。它并不会取代侦探的大脑，但它能确保侦探不会错过那些只有专家才能洞察的隐藏线索，从而引导他们得出更清晰的因果关系图景。

技术摘要：DKCD —— 基于非结构化数据的领域知识增强型因果发现

问题定义

在高专业度领域（如医疗、金融、教育）进行因果发现，在处理临床文本等非结构化数据时面临重大挑战。现有的方法（包括利用大语言模型（LLM）的 COAT 框架）受到两个主要挑战的限制：

潜在因子识别不足 (CH1)： 非结构化数据通常包含隐含的因果因子，这些因子虽然没有被明确阐述，但对于完整的因果图至关重要。通用的 LLM 知识缺乏推断这些潜在变量所需的特定领域专业知识（例如，从糖尿病背景下的特定实验室指标中推断出“肾脏疾病”）。
因子标注不可靠 (CH2)： 准确的因果图构建需要结构化的输入（因子值）。由于缺乏基于领域知识的推理，LLM 往往会产生不一致或不准确的标注，导致错误传播到最终的因果结构中，例如缺失边或错误的指向。

目前的因果发现算法（如 PC、FCI）是为结构化表格数据设计的，难以应对原始非结构化文本中固有的噪声和不完整性。

方法论：DKCD 框架

作者提出了 DKCD（领域知识增强型因果发现） 框架，该框架通过整合领域知识图谱（KG）与 LLM 推理，弥合了非结构化文本与统计因果发现之间的鸿沟。该框架通过三个相互关联的组件运行：

1. 知识挖掘 (Knowledge Mining)

该模块通过检索相关的领域知识来为推理准备上下文。

可观测因子提议 (Observable Factor Proposal)： LLM 从非结构化文本中提取明确提到的因果因子 ( $V_o$ )。
领域 KG 检索 (Domain KG Retrieval)： 基于 $V_o$ ，系统查询特定领域的知识图谱以检索相关的子图 ( $G_{rel}$ )。
语义匹配 (Semantic Matching)： 将检索到的三元组转化为自然语言陈述。通过语义匹配过程（使用 all-MiniLM-L6-v2 等句子转换器）将这些陈述与可观测因子对齐，从而过滤出最具相关性的上下文 ( $S^{(k)}_{v_i}$ ) 以支持后续推理。

2. 知识引导的因果推理 (Knowledge-Guided Causal Reasoning)

该核心模块通过利用检索到的知识上下文来解决上述两个关键挑战。

潜在因子发现 (Latent Factor Discovery)： LLM 利用可观测因子和检索到的知识上下文来推断潜在因果因子 ( $V_l$ )，这些因子虽未被明确提及但在因果上具有相关性。完整的因子集定义为 $V = V_o \cup V_l$ 。这直接解决了 CH1。
因果线索生成 (Causal Clue Generation)： LLM 生成因果线索 ( $H$ )，即关于因子间可能依赖关系的、基于领域知识的描述。这些线索作为结构化的指导，用于后续的标注步骤，从而减少歧义并提高因子评分的可靠性。这解决了 CH2。

3. 因果结构发现 (Causal Structure Discovery)

利用更完整的因子集 ( $V$ ) 和包含由因果线索得出的准确标注的结构化评分表 ( $S$ )，应用统计因果发现算法（具体为 FCI 算法）来推断最终的因果图 ( $G$ )。选择 FCI 算法是因为它能够处理潜在混杂因素，这在需要高度专业化的领域中至关重要，因为并非所有因素都可能被完全观测到。

核心贡献

本文提出了三个主要贡献：

DKCD 框架： 一种创新的框架，通过整合领域知识图谱与基于 LLM 的推理，增强了从高专业度领域非结构化数据中进行因果发现的能力。
知识引导推理模块： 一种特定的设计，利用检索到的领域知识来发现潜在因果因子并生成基于知识的因果线索，从而提高标注准确性。
领域特定基准测试： 构建了首个利用真实世界知识图谱进行评估的领域特定基准测试，特别是在糖尿病和呼吸系统领域。

实验结果

作者在两个合成医学数据集（糖尿病和呼吸系统，各包含 400 个患者病情描述）上对 DKCD 进行了评估，使用了多种 LLM 后端（GPT-4o, Gemini 2.5 Flash, Grok-3, LLaMA 3-70B）。

性能指标： 评估包括节点精确度/召回率/F1 值（用于因子识别）以及邻接矩阵精确度/召回率/F1 值，以及扩展结构汉明距离 (ESHD)（用于图结构）。
对比结果： DKCD 一致优于基准模型，包括 Zero-shot LLM、META 和 COAT。
- 在 糖尿病数据集 上，DKCD 实现了更高的节点 F1 分数（例如，在使用 GPT-4o 时，DKCD 为 0.77，而 COAT 为 0.41）和更低的 ESHD 值（25.33 对比 COAT 的 30.67），表明其与地面真值因果图更加吻合。
- 在 呼吸系统数据集 上，DKCD 同样展示了卓越的因子识别能力（例如，使用 GPT-4o 时，DKCD 的节点 F1 为 0.74，而 COAT 为 0.29）和结构准确性。
消融实验： 移除因果线索 (w/o CC) 或移除潜在因子识别 (w/o LF) 都会显著降低性能。同时移除两者会导致性能剧烈下降，证实了这两个组件是互补且对于框架成功至关重要的。

重要性与声明

本文声称，通过有效地利用领域知识图谱来引导 LLM 推理，DKCD 显著提高了高专业度领域的因果因子识别和因果图构建能力。作者强调，其工作解决了现有方法的关键局限：即无法识别隐含的、特定领域的潜在因子，以及在缺乏外部知识落地的情况下，标注过程存在不可靠的问题。

作者对其局限性保持了审慎的态度：

对 LLM 的依赖： 该框架仍依赖于 LLM 的推理能力，这可能会产生幻觉或偏见的因子。
基准测试的可获得性： 作者承认，由于缺乏同时包含非结构化文本和对齐的地面真值因果图的公开基准测试，使用合成数据集是必要的。
可扩展性： 虽然已在医学领域进行了测试，但其在其他领域（如金融、教育）的泛化能力仍有待进一步探索。

这项工作被定位为一种从非结构化数据构建因果图的方法论进步，旨在辅助研究人员发现潜在的因果结构，而非作为敏感领域中专业判断的替代品。