从互联网海量资讯文本中挖掘并筛选出感兴趣的实体和事件是当前自然语言处理领域的重要研究方向,也是工业界构建知识图谱的重要环节。以往事件抽取以事件为中心,探究事件类型及事件要素的识别,相关研究工作大多先检测事件再依据事件模式抽取事件论元,模型方法受限于事件检测性能。来源于真实工业场景对于目标实体及其事件信息的抽取需求,本文从实体角度出发,提出目标依赖的事件抽取任务,包含目标依赖的事件检测并扩展到事件抽取,旨在抽取文本中的实体以及对应的事件类型或事件论元角色信息。本文第一个研究工作聚焦于目标依赖的事件检测,抽取文本中实体并识别目标实体所对应的细粒度事件类型。为了缓解细粒度事件标签多和实体、事件张冠李戴的问题,本文提出目标依赖的语义和句法感知模型,在抽取实体的基础上,融合扩展的事件触发词和实体局部上下文特征来进行实体级事件检测。本文在构建好的真实金融领域事件检测数据集上的实验结果表明模型可以捕捉到实体相关的上下文信息,并能够从多实体、多事件的复杂情况中抽取得到准确、完备的实体-事件对。这一工作发表在2021年IEEE Big Data（CCF-C类）会议。文本语义、句法结构图不仅拉近了词汇间的距离,还蕴含丰富的语义、结构知识,有助于捕捉目标实体相关的事件信息。因此,本文第二个研究工作便是采用图结构表示的方法来实现目标依赖的事件检测,提出文本语义结构图表示增强的目标依赖事件检测模型。依赖于序列、语义、句法依存分析图和边增强的图卷积网络,模型能够进一步提升预训练模型编码能力;集成多种图的实验结果取得了最佳性能,验证了多种图结构可以相互补充,共同辅助目标实体级的事件检测。目前该部分工作已申请相关专利。通常实体在事件中担任着某种角色,为了进一步丰富事件信息,构建完整的知识图谱,本文第三个研究工作将目标依赖的事件检测扩展到目标依赖的事件抽取,以实体为中心,探究实体抽取及对应事件中的角色识别。本文提出序列、文本语义、句法结构图表示增强的事件抽取模型,首先抽取实体、事件触发词,然后预测实体与事件触发词的关系作为实体论元角色。本文在通用事件抽取数据集ACE 2005上进行实验,结果表明模型在实体抽取和事件检测上的性能达到最佳,同时在不依赖额外全局特征的情况下,集成多种图的论元角色抽取也接近当前最优性能,验证了基于语义结构图表示的方法在事件抽取上的有效性。本文研究了目标依赖的事件抽取,分别采用序列编码和图编码方法在本文构建的中文金融数据集和通用数据集上进行了大量实验,结果表明本文模型能够较为准确地挖掘资讯文本中的实体和事件信息,为下游知识图谱构建提供实体和事件要素。