事件论元提取（Event Argument Extraction,EAE）是事件提取任务中的关键子任务,要求从半结构化或非结构化的事件提及中识别作为事件论元的实体及其在事件提及中扮演的论元角色。高效准确的事件论元提取能够帮助用户从中大量的事件中提取关键信息并构建结构化的事件知识图,因此成为了信息提取领域的研究热点之一。将事件论元提取建模为机器阅读理解或问答任务是目前的一种研究趋势,基于论元角色的提取策略让模型只需要关注事件论元的定位,取得了不错的成绩;然而,它们仍然存在一些不足,如:（1）这些方法没有明确建模并学习事件类型和论元角色之间的内在信息;（2）这些方法侧重于问题的设计,它们需要依据规则生成自然问题或提取模板;（3）这些方法采用两个独立的预测器来预测论元的起止边界,忽略了两者之间的信息流动。首先,为了充分挖掘事件类型和论元角色之间的潜在信息,本文利用事件本体构造了一个多关系事件图MREG（Multi-Relational Event Graph）,利用三种不同类型的边连接各个事件类型和论元角色节点构造成一个多关系无向图,通过关系型图卷积网络捕获不同的类型的连接下节点之间的结构性特征,并结合注意力机制针对性地学习不同节点对中心节点的影响权重,从而有效学习事件结构中的潜在信息。然后,本文提出了一个新的基于事件图和问答的事件论元提取模型GQA-EAE（Event Graph based Question Answering）。GQA-EAE利用从MREG学习的事件类型和论元角色的节点特征构造简单但信息丰富的问题,降低问题设计的成本。针对使用独立预测器的信息不足问题,GQA-EAE引入了一个新的起始位置嵌入（Start Position Embedding,SPE）允许信息在两个预测器之间传播。最后,本文在广泛使用的事件提取数据集上进行了实验。实验结果表明,本文提出的提取模型GQA-EAE在事件论元提取任务的评价指标上优于基线模型。此外,本文设计了消融实验表明本文提出的MREG和SPE均对论元提取有着正向的影响;GQA-EAE模型在不同数据场景下的测试结果也均优于对比模型。