事件因果分析任务是对已发生事件间的因果关系进行判断,分析某事件对其他事件发生的影响程度,从而挖掘事件间的因果关系,进行事件预测。由于传统事件推理及事件预测方法仅针对特定场景的事件,导致其应用场景有限,难以泛化到一般事件,且方法本身难以扩展。围绕该问题,本文引入事态信息的概念,设计了基于循环神经网络的事件因果分析及事件预测模型,在推理时加入对因果关系中动态性与时变性的理解,强化了事件因果推理能力。通过中美贸易战主题事件验证了模型的有效性,并结合因果关系可视化的需求,实现了事件因果分析可视化系统。具体内容如下:1.研究针对事件数据的多元结构化特征构造策略。策略旨在事件数据结构化,特征化的过程中融合更多有价值的信息,本文将事件的语义信息也编码到其特征向量中,并结合多元离散特征,实现对事件数据的多元化、特征化表达,提高事件特征向量的信息丰富度,加强网络对事件本身的理解,从而提高推理能力。2.研究基于循环神经网络的事件因果分析方法。针对因果关系中的时变性和统计性,发挥循环神经网络对时序数据的建模优势,构建出事件发展的事态信息,动态地将事件的因果规律编码成时序信息,存储到循环神经网络的隐状态中,兼顾统计性和动态性,实现中美贸易战相关主题事件间因果关系的自适应挖掘。3.研究事件预测相关算法。基于事件间的因果分析结果,研究事件预测算法,充分利用模型编码好的因果规律,结合动态历史数据,提高预测结果的合理性。通过实验对中美贸易战相关的主题事件进行预测,并与真实发生的事件进行对比,验证预测算法的有效性。4.基于Qt5设计并实现了事件因果分析可视化系统。结合事件因果分析的实际应用需求,设计了系统的软件模块组成,采用Qt5平台实现图形用户界面与交互逻辑,对事件的因果关系以及事件预测结果进行可视化。利用Qt的视图系统将复杂的因果关系完整、清楚地呈现出来,并通过多线程机制,使得系统在进行算法调用时仍可以快速地响应用户请求。本文通过对系统进行功能和性能测试,验证了系统的有效性和完整性,研究成果有助于提高辅助决策工作的效率,具有良好的应用前景。