时序因果发现旨在从时间序列数据中识别因果关系。由于因果性比相关性更可靠，因果关系的确立不仅为大量决策场景提供支持，对于一些关键领域的理解也非常重要，比如国家影响力分析等。在时序场景下，现有的因果发现方法没有利用因果图等明确的因果监督信息，导致了较低的准确率。最近非时序场景下兴起了利用因果图作为监督信息的因果发现范式，通过合成大量的因果图及对应数据，提供明确的因果监督信息。同时通过相应的模型架构充分提取数据表征实现因果关系的判定，显著提高了因果发现的准确性。为了弥补时序因果发现中的因果图监督分析方法缺失，本文将因果图监督学习范式引入时序场景，构建适用于时序数据的模型架构和训练数据生成机制，从而提升时序因果发现的准确性。最后，在典型的复杂时序场景下验证了所提方法的有效性。本文的主要工作内容总结和贡献总结如下：

1. 基于交替注意力机制的因果图监督时序因果发现方法。针对现有时序因果发现方法不以因果图为直接优化目标，不能充分提取全局关系用于表征因果信息的问题，本文使用交替注意力机制在属性维度和样本维度之间依次提取信息，对全局数据信息进行表征，从大规模训练数据中抽取因果本质特征，以实现对因果关系的高效准确识别。为了适配时序数据，设计了滑动窗口堆叠输入预处理；同时为了应对时序场景不同时延之间产生多个因果图的特性，设计了对应的优化目标。在大量合成数据与真实数据集上的实验结果验证了该方法的有效性。

2. 因果图监督时序因果发现的训练数据设计。针对现有时序因果发现方法没有利用因果图作为监督信息的问题，本文系统的研究何种训练数据分布能够为模型提供更多的关于因果的本质特征，进而最大程度的提升模型的准确性与泛化性。将因果图的生成过程解构为图空间的分布与函数空间的分布，详细探讨了常用的图类型与函数类型。通过实验验证了ER图类型与随机傅里叶函数类型作为训练数据生成机制对于时序因果发现具有一定的优越性。

3. 因果视角下基于新闻媒体的国家影响力分析。以往的国家影响力分析仅仅是基于交互权重的描述性分析，不能提供影响力的传导方向，不具备因果语义下的指导作用。针对这一问题，本文基于因果图监督的时序因果发现方法搭建一个适用于国际新闻媒体数据的国家影响力分析框架，结合复杂网络分析技术，深入挖掘国家间影响力的深层因果关系。通过对千万级的新闻媒体数据进行实证研究，发现基于因果图监督的因果发现构建的影响力网络比其他方式构造的影响力网络更符合人对国际关系交互的认知，验证方法可靠性的同时为国家影响力分析提供了新的视角。