事件抽取旨在挖掘自由文本中的事件信息,并以结构化的形式呈现。它主要包含四个子任务:触发词识别、事件类型分类、论元识别与事件角色分类,ACE为其提供权威数据集ACE2005,并将前两个子任务统称为“事件检测”。基于数据集ACE2005,本课题主要围绕句子级英文事件检测展开研究。目前,事件检测F1值均能达到70%以上,然而,仍存在些许问题。下面将阐述相关问题及解决方案。问题一:语句中多个事件间联系较弱,模型难以完整地识别出所有事件。针对该问题,本文提出利用成分间依存关系增强语句中多个事件之间的信息共享,并设计一种门控机制动态融合依存与语义表示,相较于基线模型,实验性能具有显著性提升。问题二:ACE中人工标注的事件描述表明每个事件密切相关的内容仅位于某个连续片段内,现有工作尚未考虑。针对该问题,考虑将事件描述加入事件分类模型中,但存在人工标注耗时及昂贵问题。为此,本文提出一种自动抽取事件连续片段的模型,并将预测出的事件连续片段加入至事件分类模型中。该方法首次考虑事件核心内容,并且实验性能提升。问题三:触发词的一词多义现象易误导触发词的事件类型判别,具有触发词歧义性问题。针对该问题,提出利用文档级上下文与命名实体约束词义,借助多任务联合学习实现特征共享。同时,为进一步提升事件检测性能,将基线模型设置为BERT。该方法首次将文档级上下文与命名实体多任务结合,实验性能具有较为显著的提升,有助于解决触发词歧义性问题。本文从多层次信息角度出发,通过融合语句中成分之间的依存关系、事件连续片段和文档级上下文的事件检测方法,解决语句中的多个事件识别不完整,难以关注事件核心内容及触发词歧义性问题。最终,触发词识别和事件类型分类这两个任务上的F1值分别达到80.3%和77.2%。