因果图在确定因果关系中起着至关重要的作用,当前已应用于包括生物学和医学等许多领域。传统的因果图构造方法通常是数据驱动的,因此可能无法提供所需的图精度。考虑到大量出版物中含有大量的因果关系知识,从文献中提取因果关系以帮助建立因果图成为可能。为了提高因果关系的提取准确率,本文从两个方面提出了提取因果关系的算法。1)集成基于规则的方法和无监督的学习模型的因果关系提取算法:该方法包括数据预处理,句法模式匹配和因果关系确定三个模块。在数据预处理中,在提取和简化句子之前,将基于属性名称对摘要进行爬取。在句法模式匹配模块中,算法通过解析句子以获得词性标签,基于这些标签得到三元组,然后进行句法模式的匹配。在因果关系确定中,初始化四个动词种子集,并通过应用无监督机器学习模型为种子集和三元组中的动词构造单词向量。通过比较每个三元组中的动词与每个种子集中的动词之间的相似性,来克服因果关系的局限性,从而确定因果关系。与Alashri和Bui的算法相比,实验结果表明本章算法的F值分别提高了8.29%和5.37%。2)基于循环神经网络的因果关系提取算法:该方法提出了一种新的数据处理方式,能够提升循环神经网络在小语料库中的因果关系提取性能,方法包括数据处理和因果关系确定这两个模块。数据处理部分包括与上文一致的数据清洗工作,关键部分提取,添加词性标签和相似词汇替换这四部分组成。相比于采用传统的数据预处理的长短时记忆网络方法,实验结果表明本章算法的F值有所提升。本文提出的两种关系提取算法均能较为准确的提取出文本中潜藏的因果关系,可以用于帮助构造因果图。因果关系作为构造因果图的基础则可以使用基于数据驱动的方法来验证和补充。