事件抽取旨在从非结构化的自然语言文本中自动抽取出用户感兴趣的事件信息,并以结构化的方式展示出来,在信息检索、情感分析等应用场景中有重要的意义。通过对事件抽取结果的分析,可以发现一个事件的信息往往分散在一个文档的各个部分。在单个事件的描述中,很多事件元素缺失,使得单纯的事件抽取获取的信息并不完整、语义不明确。然而,有些事件中缺失的元素并非不存在,因为这些缺失的元素可以通过其它事件中的元素填充,进而使事件抽取的信息更加完整。针对这一问题,将进行维吾尔语缺失事件元素填充的研究。主要工作如下:(1)基于注意力机制(Attention)、卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bi-directional Long Short Term Memory,Bi LSTM),提出了JCBLA(Joint model of CNN and Bi LSTM based on Attention mechanism)的联合模型,结合维吾尔语特性,将语义特征词向量和手动特征做注意力机制后分别输入到CNN和Bi LSTM,获取局部特征和高阶语义信息,最后将两种特征融合,再输入分类器,完成事件待填充元素识别,其F1值为73.24%。(2)基于交互注意力(Interactive Attention),提出了维吾尔语事件缺失元素填充模型(The Interactive Attention model of the Uyghur event missing Element Filling,IAUEF),首先将维吾尔语缺失事件和候选事件的触发词对应的词向量及候选元素对应的词向量作为特征,将其对应的中文翻译词向量作为辅助特征,对两种特征进行交互注意力,提取出两种特征的语义信息和语义联系,再输入到Bi LSTM中进一步挖掘特征,最后输入到分类器中,完成分类,实现维吾尔语事件缺失元素填充的任务,其F1值为85.27%。(3)基于注意力机制、独立循环神经网络(Independently Recurrent Neural Network)和胶囊网络(Capsule Network),提出了并行的维吾尔语事件缺失元素填充模型(Att＿Ind RNN＿Caps Net)。首先抽取18项事件和事件元素的内部特征,作为结合注意力机制的独立循环神经网络模型的输入,进一步获取高阶特征;同时引入词嵌入技术将事件触发词和候选元素映射为词向量,通过胶囊网络挖掘事件和事件元素的上下文语义特征。然后将两种特征融合,作为分类器的输入,进而完成事件缺失元素的填充,其F1值为85.52%。