随着社会的不断发展,网络上的文本信息量呈爆炸式增长。虽然这些丰富的信息能够增加用户获取所需知识的可能性,但却降低了用户获取有效信息的速度。为解决这些问题,许多学者开始致力于研究信息抽取,而事件作为信息的核心表现形式,也在这几年备受瞩目。事件抽取是将含有事件信息的非结构化文本转变成结构化的形式,分为事件检测和事件要素抽取两大任务,广泛应用在信息搜索、智能问答、机器摘要等领域,具有深刻研究意义。传统事件抽取方法基本都存在不能充分利用上下文信息、忽略关键特征等问题。因此,本文基于门控循环单元,并对其加入注意力机制、卷积层和Encoder-Decoder框架,进行了事件抽取系列研究和应用,具体工作及贡献有以下三个方面。(1)构建基于卷积门控循环单元的事件检测模型(ATT-Conv-BiGRU)。在特征选择上,本文不依赖词性标注和实体识别结果,结合文本词向量、实体类型信息构成上下文表示学习向量,以便于直接利用事件要素信息和候选触发词的关系;其次,利用双向门控循环单元网络提取句子级别特征,卷积操作提取词级别特征,以解决传统方法中由于存在同、近义词而造成的错误划分事件类别的问题;最后,将两种特征级联,作为使用黄金标准的注意力机制输出层的输入,通过softmax进行事件检测结果的预测。实验证明,该模型提高了事件检测的准确率和效率。(2)构建基于Encoder-Decoder框架的事件要素抽取模型(ATT-ED-BiGRU)。首先,本文在输入层选取了事件触发词类型、候选要素位置、词向量三部分构成文本向量;其次,本文在编码层、解码层分别使用双向和单向的门控循环单元网络捕获语义信息;最后,通过引入注意力层来捕获触发词和其余要素与候选要素之间的关系特征,解决了同一事件要素在不同事件句中代表不同角色时容易识别错误的问题,从而提高了要素抽取的准确率。(3)构建中文金融领域事件抽取系统。本文使用半自动标注工具和人工二次标注构建金融新闻语料库,并结合第三章的事件检测模型和第四章的事件要素抽取模型,设计并实现了一个基于C/S架构的金融领域新闻事件抽取系统;其次,本文还设计了迭代学习框架,以解决系统在实际应用中出现的难以进行域移植、语料库规模不够大等问题,提高了系统的可移植性和稳健性;最后,本文通过事件地图和事件时间轴功能进行事件抽取结果展示,使金融事件的记录更加系统化。