随着逐渐步入人工智能时代,信息源越发丰富,信息传递速率更高效,互联网中时时刻刻在产生新信息。如何从互联网海量信息中准确快速地挖掘目标信息越来越受到关注。针对文本的信息挖掘,自然语言处理领域定义了信息抽取、事件抽取等任务。其中,事件抽取从非结构化文本中抽取出结构化事件信息,这是构建事件图谱以及其他高级应用的基础。本文主要面向事件抽取的两个子任务进行,即事件触发词检测识别和事件论元角色抽取任务。事件触发词检测识别任务从一个句子中检测事件是否包含事件触发词并识别检测到的事件触发词所触发事件类型。事件论元角色抽取任务从事件句中抽取出事件论元并确定他们在事件中的角色。针对当前事件触发词检测识别以及事件论元角色抽取任务中存在的问题进行深入探索,在事件抽取领域已有相关模型方法的基础上,着重研究事件信息之间的内在联系以及不同类型事件与各类实体论元之间的关系。主要内容如下:针对事件触发词检测识别任务,现有方法主要通过提取候选触发词及其近邻词的词汇级特征,但是忽略了事件之间的关系,尤其针对多义词作为触发词时缺乏信息表示能力,导致事件识别存在误差。本文提出了利用双向递归神经网络将句子全局信息融入候选触发词编码中,通过注意力机制挖掘事件间联系,将上下文中的事件信息应用至事件触发词检测识别中。通过实验验证了模型对解决存在一词多义触发词的事件抽取问题的有效性。对于事件论元角色抽取任务,目前的方法将触发词特征编码与候选论元特征编码组合后进行分类,忽略了事件类型与论元实体类型之间的联系。在包含多个事件的句子中一个实体可能在多个事件中承担不同角色,多个实体也可能在同一个事件中承担同一个角色。针对多事件句的论元角色抽取,本文提出基于语义依存分析和多头监督注意力机制的事件论元角色抽取结构。将句子通过双向递归神经网络编码提取全局信息,通过多头监督注意力机制提取事件类型与实体类型关系特征,并辅之触发词和候选论元之间的语义依存路径构造事件论元角色抽取结构进行分类。最终实验结果表明该方法提升了事件论元角色抽取的准确率等性能。