事件因果推理是人工智能实现从感知到认知的核心问题之一,具有重要的理论研究价值和广泛的应用场景。现有的文本中事件因果关系识别方法往往注重于挖掘输入文本中的序列特征,但忽略了事件间的结构联系,难以建模远距离事件间的因果联系;同时,现有的事件因果识别方法主要聚焦于事件实例层级,存在预测结果不一致的问题,或需要额外的约束解决冲突,导致模型的复杂度较高。针对上述问题,本文结合了依存句法树信息和注意力机制,增强事件间的结构联系。进而,使用图神经网络进行概念级事件因果关系识别。主要研究内容包括:针对现有方法难以捕捉长距离依赖的问题,本文首先研究了一种句法信息增强的实例级事件因果关系识别方法。该方法在抽取文本序列特征的基础上,使用句法分析技术得到事件所在句子的依存句法树,并从中抽取事件对在依存句法树中的路径,有效缩短了事件对之间的距离。随后,利用注意力机制融合文本序列特征和句法路径信息,以增强事件的语义表示能力。在事件因果关系识别领域规模最大的数据集Event Story Line上的实验结果显示,该方法相对于BERT等基线模型有明显的性能提升,F1指标提升3.5%。现有的事件实例级因果识别方法,在预测两个事件概念组成的多个事件实例对时可能存在冲突,导致预测结果不一致;或需要额外约束解决冲突,使得模型复杂度较高。针对这些问题,本文提出一种基于图神经网络的概念级事件因果关系识别方法。该方法利用图神经网络同时建模事件实例和事件概念节点,根据共指、共现等关系连接相关节点,构建异构图。在图表示学习过程中,利用BERT对节点表示进行初始化,进而通过图卷积操作实现节点间的多跳信息交流,增强语义表示。最后,通过基于注意力的路径推理机制,融合事件子图中不同路径的语义信息。该方法可以同时实现事件实例和事件概念节点间的因果推理,在无需额外约束的情况下解决了预测结果不一致的问题。在Event Story Line上的实验结果显示,这一方法在事件实例层级相比基线模型提升了7.3%,同时在事件概念层级达到了目前已知的最高性能。