Abstract
因果推理是理解世界运行规律、解释现象生成机制和支撑理性决策的重要能力。因果推理关注现象背后的生成机制、事件之间的作用关系以及条件变化下的结果演化，能够为复杂系统理解与决策支持提供机制性依据。从因果阶梯视角看，因果推理通常涉及观测关联、干预和反事实推演等不同层次的能力。
近年来，大语言模型（Large Language Models, LLMs）在自然语言理解、内容生成和复杂任务处理方面取得了显著进展，并逐步进入医疗、金融、信息治理和工业制造等高价值应用场景。如何以大语言模型为技术载体构建更稳定、可解释的因果推理方法，已成为当前研究中的重要问题。现有大语言模型的能力基础仍主要建立在统计相关性和语言模式匹配之上，难以充分理解因果关系的形成机制，也难以准确推断原因变化对结果的影响。现有方法在复杂因果推理任务中，仍存在因果机制建模不足和反事实因果推理过程失稳等问题。
围绕上述问题，本文开展了基于图谱补全和过程验证的因果推理研究与应用。因果推理包含因果判断、反事实因果推理等不同层次的任务：其中，因果判断主要关注因果对的识别与解释，反事实因果推理则是在既有因果对基础上，识别可能影响因果关系判断的潜在因素，并在这些因素保持不变的情况下，分析原因变化对结果的影响。基于这一认识，本文分别面向因果判断任务和反事实因果推理任务进行方法设计，并进一步在工业异常诊断场景中开展应用验证。本文的研究内容如下：
（1）基于事理图谱补全的因果推理方法。针对大模型在因果判断中依赖统计相关性、易受表层线索干扰的问题，本文提出基于事理图谱补全的因果推理方法。该方法首先抽取并校验长文本中的事理图谱，在时序、条件、状态变化等非因果关系基础上补全事件间的潜在因果关系，通过强化关键因果路径和比对不同候选原因对结果的因果贡献生成因果摘要，从而将原始相关性判断转化为结构化因果比较。实验结果表明，该方法能够有效提升长文本情境下因果归因的准确性与稳定性。在三种参数规模的模型上，本文方法较最优方法因果判断正确率分别提升13.5、11.9 和8.9 个百分点。
（2）基于过程验证的反事实因果推理方法。针对大模型在反事实因果推理中关键推理步骤缺失、条件约束信息遗漏的问题，本文提出基于过程验证的反事实因果推理方法。该方法围绕反事实推演中的关键中间过程，通过设计推理验证模块约束模型推理行为，引导模型按照完整推理链条完成分析。实验结果表明，该方法能够有效提升模型在反事实因果推理任务中的结果准确性与稳定性。在代码反事实任务和数学反事实任务上，本文方法较基线方法分别提升3.83 和6.56个百分点。
（3）基于因果推理的工业异常诊断系统框架。为验证前述方法在实际场景中的应用价值，本文面向工业生产异常诊断场景构建了基于因果推理的工业异常诊断系统框架。基于事理图谱补全的因果推理方法主要用于异常成因识别、异常传播链分析和根因定位，为诊断过程提供结构化因果证据；基于过程验证的反事实因果推理方法主要用于根因识别后的条件变化分析，辅助推演关键工艺参数、设备状态或控制条件调整后可能产生的结果变化，从而支撑处置方案分析和改进建议生成。实证结果表明，上述方法能够在工业异常诊断链路中分别支撑原因识别、链路解释、条件推演和建议生成等环节，并为复杂工业场景下的智能诊断框架设计提供方法参考。
综上，本文围绕大语言模型在因果推理中的机制建模问题，提出了基于事理图谱补全的因果推理方法和基于过程验证的反事实因果推理方法。研究结果表明，本文提出的方法在长文本因果判断和反事实因果推理任务上具有较好的有效性，并在工业异常诊断场景中展现出较好的应用价值。本文的研究可为后续大语言模型因果推理方法研究及相关应用实践提供参考。