自然语言文本中的事件之间存在各种关系,比如同指关系,时序关系,因果关系等等。其中,事件时序关系识别任务旨在检测事件之间是否存在时序关系并对其进行正确分类。该任务是自然语言处理领域最为重要的任务之一,对许多NLP应用具有重要意义,如文本摘要,故事时间线构建,自动问答等。早期事件时序关系识别的研究主要集中于特征工程方法,考虑到自动化以及领域的适用性,本文提出了一种融合多种信息的神经网络模型来提高事件时序关系识别的性能,具体工作如下:(1)基于图卷积网络的事件时序关系识别方法目前,使用事件最短依存路径进行事件时序关系识别已成为研究主流,但这一做法在去除冗余信息,提取关键信息的同时也造成了信息缺失的问题。并且,目前对于事件时序关系识别任务仍然集中在语义处理上,而忽略了语法结构。针对这些问题,本文提出了一种结合长短时记忆网络(LSTM)和图卷积神经网络(GCN)的模型框架。不同于依存路径只考虑两个事件所在上下文的局部语义信息,该方法采用事件原句作为输入,从词序列和依存句法中自动抽取特征,将语义信息与句法信息相结合,使得模型可以学习到相关事件信息与实体信息,得到更丰富的事件表征。实验结果证明该方法能够有效提升识别效果。(2)融合依存关系和篇章修辞关系的事件时序关系识别已有的研究只考虑了两个事件词在各自的句子层面的相关信息,编码其所在上下文的局部信息,事件间篇章视角的关联关系却被忽略了。针对这一问题,本文给出了一个融合低层句子级依存关系和高层篇章级修辞关系的事件时序关系识别方法。该方法将事件间关联关系分三部分进行表征,一是事件的句子信息,二是事件所在句子的依存路径信息,三是事件所在基本篇章单元(EDU)间的修辞关系信息。基于这一表征体系构建的神经网络模型可以从两个不同层面捕获事件信息,使得时序关系识别的性能得到了显著提高。(3)基于多任务学习的事件时序关系识别本文提出了一种基于多任务学习的模型框架来解决由大量VAGUE类型的关系实例造成的数据不平衡问题。具体来说,本文引进了一个判断事件之间时序关系是否为VAGUE的二分类辅助任务。同时,使用聚焦损失(focal loss)作为目标函数,该损失可以更好地关注难以分类的实例。实验结果表明,这些操作可以有效的缓解数据不平衡的问题,事件时序关系识别任务的性能得到了显著提升。