随着互联网的发展,信息量指数增长,如何从大量信息中获取所需要的信息是一个重要问题,因此,信息抽取的相关技术研究愈发重要。事件检测是自然语言处理中事件抽取任务的子任务,是信息抽取中的一个重要方向。给定一段文本,事件检测旨在从中检测出潜在的事件类型。目前的事件检测主流是对文本中的触发词进行识别,并判断该触发词属于哪个事件类型。这种基于触发词的事件检测方式会加大数据标注的工作开销,此外,在事件检测任务中触发词其实并非必不可少的,因此本文以无触发词的事件检测方式为基本思路,研究了如何在无触发词的情况下实现文本的事件检测。具体地,本文分析了句子级别和文档级别的事件检测任务存在问题,并分别提出了相应的算法。1)句子级的无触发词事件检测。与其它领域不同,自然语言领域的标签往往是有语义的,但目前大多数研究,包括对事件检测的研究却往往把标签作为一个独热向量使用。因此本文提出了一种结合标签感知与多任务学习的事件检测算法,一方面将待检测的文本与标签文本一同表示成向量,并用这两个向量计算待检测文本包含该标签对应的事件类型的概率;另一方面还为事件检测任务构造了辅助任务,通过多任务学习的方式增强模型的泛化能力。在ACE2005数据集上的实验表明,本文所提出的算法F1达到73.4%,明显优于其它的无触发词事件检测方法。2)文档级的无触发词事件检测。先前的事件检测工作主要是在单条句子上进行的,少有针对文档的事件检测工作。与普通的面向句子的事件检测任务不同,文档级事件检测任务需要将重点放在存在多个事件的情景,因为一个句子常常只包含一个事件,但一篇文档却很有可能包含多个事件。本文针对文档级事件检测任务中存在的多事件关联问题,提出了一种基于Bi-LSTM和多类型注意力机制的神经网络模型。该模型通过Bi-LSTM和自注意力机制实现对文档的局部与全局信息抽取,借助词级和句子级的多头聚合注意力机制将词向量压缩成文档向量,利用多标签分类的方式完成文档级事件检测。该模型使用的多头聚合注意力机制能有效应对多事件场景。由于缺乏文档级的事件检测数据集,本文构造了基于海洋新闻的文档级事件检测数据集,并将提出的文档级事件检测模型及其它基线模型在该数据集上进行了实验分析,实验结果证明了所提模型的有效性。