事件抽取一直是学术研究的热点,对话或文章的核心信息往往是一个或者多个事件。因此,事件提取可以为聚类、推荐、推理等任务提供关键信息和重要特征。随着互联网信息流的不断发展,人们获取信息的主要来源不再是主动搜索,而是被动推荐。今日头条、天天快报等依靠个性化推荐新闻而提升用户粘性的产品不断涌现。此类内容推荐通常在分析用户感兴趣的事件的基础上,推送相同或类似事件的文章。这就首先要对篇章级的事件进行提取,并依据于此对篇章进行分类。而当前事件提取的主要研究方向为句子级事件的提取,篇章级事件研究较少,具有很高的研究价值。本文针对天天快报新闻语料,从标题、文章两个方面进行篇章级事件关键词的提取以及事件相关性计算。本文采用短文本相似度的计算方法对两篇新闻的标题相似程度进行计算,并将其作为新闻事件相关性计算的第一个指标。一篇新闻为了报导的完整性以及阅读的流畅性,往往在报导核心事件外,也会涵盖事件的历史信息、相关事件、相关人物等内容,这些内容属于冗余信息。为了更准确地提取核心事件,本文在筛选文章的关键信息之后,再对关键事件词进行抽取,并依据此计算文章的事件相关性,并将其作为新闻事件相关性计算的第二个指标。将两个新闻事件相关性计算指标加权求和的结果作为最终的新闻事件相关度。对于文章,本文首先采用基于EM的Text Rank算法提取关键句并对文章中的词语重要性进行计算。接着,本文采用ZORE^[52]三元组提取模型对关键句的句子级事件信息进行提取。基于词语重要性计算结果及句子级事件提取结果,本文构造事件连通图并使用Text Rank算法对关键事件词进行提取。为解决动词在不同语境下具有不同含义的问题以及最大程度利用图结构的信息,本文采用基于Verb Net的词向量调整模型以及Graph Embedding模型对关键事件词词向量进行调整。最后,本文提出了一个简单的根据关键事件词的词向量计算篇章事件相关性的模型,对两篇文章的相关度进行计算。对于标题,本文采用预训练的Seq2Seq模型对新闻标题进行向量化,模型的Encoder部分与Decoder部分均采用GRU模型,并在Encoder与Decoder之间加入Attention操作。将两个新闻标题向量的余弦相似度,作为标题的事件相关度。本文在人工标注的天天快报新闻数据集上进行了实验,并达到预期。