La identificación de la causalidad de eventos es una operación previa para muchas tareas, incluidos los gráficos de conocimiento y los sistemas inteligentes de preguntas y respuestas. Los últimos modelos introducen conocimiento externo y luego utilizan el aprendizaje profundo para la predicción de causalidad. Sin embargo, el reconocimiento de la causalidad de eventos aún enfrenta problemas como el desequilibrio de datos y la insuficiente riqueza del contenido de eventos. Además, los marcos anteriores han utilizado un solo modelo, pero estos producen con frecuencia resultados insatisfactorios, como tasas de precisión más bajas y tasas de recuperación más bajas. Proponemos el concepto de aprendizaje en conjunto, que combina múltiples modelos para lograr marcos que funcionan tan bien como o mejor que los últimos modelos. Este marco combina las ventajas de Mamba, una red neuronal convolucional temporal, y la computación gráfica para identificar la causalidad de eventos de manera más efectiva y precisa. Después de comparar nuestro marco con conjuntos de datos estándar, nuestras puntuaciones F1 (medidas de precisión del modelo) son esencialmente las mismas que las de los métodos de última generación (SOTA) en un conjunto de datos.