事件中心智能分析系统严重依赖于显式的因果事件知识，用于风险预警、决策支持和叙事理解。然而，现有的实例级因果对在低频长尾和未见事件组合上存在严重的泛化缺陷。为了解决这个限制，本工作提出抽象事件因果规则（AECR），一种新的关系级因果抽象范式，它将具体的因果对转化为概括的抽象因果逻辑，同时保留它们的内在因果关系。我们设计了一个多代理的具体到抽象因果归纳（CACI）系统，结合相似性约束的聚类，从噪声原始因果数据中提取可靠的AECR，并基于此构建了两个完整的AECR知识库。为了验证抽象因果知识的实用性，我们提出了抽象规则引导因果注意力编码器（AR-GCAE），它通过规则引导的注意力层和门控表示融合，将检索到的AECR注入因果图事件预测（CGEP）基准任务中。定量实验结果表明，应用AECR显著增强了事件因果推理的泛化能力，并为事件预测带来了一致的性能改进，尤其是在罕见和未见事件样本上获得了最显著的收益。 博主点评： 本文提出了一种新的抽象事件因果规则，能够有效地解决现有因果对的泛化缺陷问题，并在事件预测任务中取得显著的性能改进，这为事件中心智能分析系统提供了新的思路和方法。