因果信息是文本语义信息重要的一部分,自动识别句子中的因果信息是自然语言处理的一个重要任务,近年来的研究已经证明了因果信息提取可以促进解决各种机器学习问题,包括语义分析、问答系统等。传统的方法使用模式识别、规则约束、统计学习等方法来完成因果信息抽取的工作,严重依赖于领域知识和特征工程。随着网络中非结构化文本信息的爆炸式增长以及计算机硬件性能的大幅度提升,数据驱动的学习理论得以快速发展,而传统机器学习方法不能充分的利用大数据所蕴含的潜在知识,因此,神经网络技术开始流行,神经网络为构建复杂、精确的模型提供了基础框架,研究人员借此开发出了卷积神经网络、循环神经网络、长短期记忆神经网络等各类变体以应用于不同的场景任务中。随着深度神经网络技术不断的发展成熟,越来越多的学者开始使用神经网络来搭建自然语言模型。同时,计算机中对于文本的表示方式也越来越成熟,因为独热编码无法使得文本表示蕴含语义信息,研究人员开发出了各式各样的词向量来对文本进行表示,并取得了显著的成就。近年来,数据驱动的数学模型得到概率理论的支持和长足的发展,研究人员倾向于大数据模型,而不是仅仅依靠模式来学习,因此,神经网络模型不断推陈出新。并广泛的使用于语言任务中,同时,随着迁移学习和预训练模型的引入和发展,研究人员越来越注重于寻找一个好的特征编码方案来进行文本表示,并且根据具体的任务定制对应的模型以期得到最好的效果。因此,如何合理的对文本输入进行编码,如何避开现有流行框架的短板,如何有效的对网络进行训练都会影响到模型最终的性能,我们针对以上问题进行了深入研究,并对图像领域的前沿技术进行了复用分析。本文提出了一个叫做CISA(Causality Extraction based on Capsule Network with Self-Attentive Encoder)的基于神经网络框架的因果信息提取模型,该模型用来检测指定事件对中是否含有因果信息,并给出事件对中哪个是因,哪个是果。为了学到句子中长距离的依赖特征,更好的对文本信息进行编码,该模型使用了基于自注意机制的文本特征编码器,因此避开了卷积神经网络和循环神经网络带来的局限性。此外,为了提升模型的准确度,本文引入了胶囊网络机制来学习句子中更多的实例化特征。我们在公开的数据集上评估了该模型,实验结果证明了我们的方法能够以较高的准确率识别文本中的因果关系,另外,我们设置了详细的对照实验对模型中的各个部分进行了详细的评估。