事件检测是自然语言处理中的经典任务之一,也是事件抽取与构建知识图谱的关键步骤。利用大量标注样本训练基于深度学习技术的语言模型,然后对非结构化文本按照预定义的事件类型分类,是完成事件检测的传统思路。然而面对互联网中日益增长的非结构化文本内容,大量未被发现的新事件类型层出不穷,为这些未知事件标注样本的工作将消耗大量的人力物力。因此,零样本事件检测任务被提出,旨在使模型自动发现并归类新的事件类型,而不依赖任何标注样本。零样本事件检测的难点主要体现在两个方面:缺少未知事件的标注数据以及类型定义。缺少标注数据意味着传统的监督学习模型无法针对未知事件进行训练,导致模型在未知类型上的泛化能力大大降低。缺少类型定义导致模型无法通过语义相似度完成触发词的识别,进一步阻碍了模型学习到更精确的事件类型特征。为了应对这些挑战,本文提出了一套端到端的基于有序对比学习的零样本事件检测技术,包括如下三个部分:首先,为了解决缺少未知事件标注数据的问题,本文结合零样本事件检测的应用场景,提出了基于多样本有序对比学习的事件特征提取算法。其运用多种数据增强方法,构造了数个对比样本。针对这些对比样本与原样本间的语义与类型相似度的偏序关系,设计了有序对比损失函数。通过检查该队列中样本在语言模型隐空间中的距离,有序对比学习损失函数能够帮助语言模型充分学习同一事件类型内样本之间的共同特征,同时区别不同事件类型的样本。其次,为了充分利用已知事件的标注信息,本文设计了基于原型网络的半监督事件类型预测算法。在实践运用中,除没有样本标注的新事件类型外,还有部分已知事件类型的样本是已经完成样本标注的。基于原型网络的半监督算法在特征空间中定义不同类型的原型,并为已知类型和未知类型样本分别计算不同的损失函数,能够充分利用已知事件类型的监督信号,帮助预训练的语言模型适应事件检测的下游任务,从而显著提升模型对已知事件与未知事件检测的准确率。再次,为了解决缺少未知事件类型定义的问题,本文将基于提示模板的预测技术引入零样本事件检测模型。通过预设的留空模板,将触发词的预测任务转化为预训练语言模型的单词预测任务,从而消除了对预定义事件类型、外部词性分析工具以及预置触发词表的依赖,大大降低了人工参与度与模型的累积误差。上述三个算法作为有机整体,在统一的问题定义与模型框架下,层层递进地解决零样本事件检测中缺少标注样本与类型定义的两大难点,实现了模型效果的逐步提升。最后,本文通过实验验证,所提出的方法能够在两个英文事件检测数据集ACE2005与Few Shot ED上取得优于现有方法的结果。在保证已知类型识别能力的同时,对未知类型的零样本事件检测的F1分数分别提升了30.8%与33.2%。