近年来,随着互联网的飞速发展,人类获取信息的速度与数量大大提升。网络信息中最重要、数量最大和内容最丰富的信息是文本。如何从海量的非结构化文本中挖掘出信息完整的结构化数据,是文本事件抽取任务的主要目标,它在各领域中都有广泛的应用需求。事件抽取领域主要分为事件类别检测（触发词抽取）和事件属性提取两大部分,是NLP领域的热点和难点问题。目前事件抽取技术中,基于模式匹配的方法在生产实际中广泛应用,但需人工构建大量事件抽取模板,模板数量的增加导致冲突加剧,准确率下降。基于机器学习的事件抽取方法可自动发现文本中的事件模式,但依然需要构建文本特征工程,多个子任务会导致错误传播。基于深度学习的序列标注事件抽取方法（如LSTM+CRF）,可自动挖掘文本中潜藏的各类特征,成为当前主流的事件抽取方法,但该类方法对当前预训练模型的强大语义能力利用不足,且不便于融合和扩展外部知识。因此,为了充分利用文本语义信息,本文期望在预训练模型的基础上,使用阅读理解的思想,通过问答方式抽取出基于语义相似度的事件类别及其属性。进一步,为了利用文本中的语法信息,在识别文本中语法依赖树的基础上,利用图神经网络技术从中提取文本结构语义,细粒度刻画事件类别及其属性之间的结构关系,从而提高事件信息的抽取精度。首先,提出基于问答和图神经网络的事件类别检测模型。将经典的基于文本序列标注的事件抽取问题转化为基于阅读理解的问答问题。经典的基于文本序列标注的事件抽取模型,通过识别文本序列中事件元素与其上下文的位置和语义关系来抽取事件信息,但易导致错误在序列上的累积和传播,降低了事件抽取效果。为此,本文利用强大的文本预训练模型,通过机器阅读理解模型学习文本语义,然后利用合适的事件类别相关问题,引导模型做出回答,从而得到事件类别。特别的,针对于传统事件类别检测是通过一个模型同时识别触发词和事件类别,导致二者紧密耦合,模型复杂难以充分训练的问题,本文创新性地提出先识别事件类别、再识别触发词的分步问答模型。该模型不仅显著提高了事件类别检测准确率,而且为下游的事件属性识别提供更准确的事件类型输入信息。进一步,该分步问答模型可以在事件类别检测模型的问题中融入所有备选事件类别名称,以及在事件触发词模型的问题中融入所选事件类别名称,有助于模型学习事件类别名称中蕴含的语义信息。此外,为了获取更准确的文本结构信息,采用语法依赖树获得文本的结构关系图,采用图神经网络模型学习文本结构信息,用以提高事件类型的识别效果。其次,提出基于问答和图神经网络的事件属性提取模型。因事件属性多、表达多样、位置分散,使得传统的基于文本序列的事件属性提取方法效果不佳。利用基于阅读理解的问答模型捕获文本中的语义信息,同时利用语法依赖树和图神经网络捕获文本中的结构信息,构建事件属性提取模型。在图神经网络构建方面,采用一个潜在上下文感知图结构的图卷积网络抽取事件信息,捕捉句子的长程语法结构,对结构复杂长句中的事件属性提取具有非常显著的效果。为了更精确地表示语法依赖树中的事件元素,探索采用图剪枝方法提取句中关键信息,构建局部图优化事件属性提取模型。此外,根据事件类别检测阶段识别出的事件类型,构建该类事件的属性提取问题模板,因事件类别检测中的分步问题模型中输出较高准确率的事件类别,显著降低错误传播,大幅提升事件属性提取性能。大量实验结果表明,本文提出的事件属性提取模型达到了该领域的SOTA水平。第三,对问答模型中的提问策略、图神经网络中的图构建方法以及基础模型选择上进行优化策略研究。通过调整不同询问策略来最大化表示文本的语义蕴含,并调整图神经网络的构建方式进一步简化句子语法结构,提炼关键的结构信息。此外,在文本预训练模型选择上,对比分析了目前多种经典和前沿的模型效果,为事件抽取模型提供优化策略。在实验部分,本文实验是在目前最主流的ACE2005数据集上进行,用于事件类别检测和属性提取模型的训练和验证。在标注数据更少的事件属性提取领域,还采用了最新的WIKIEVENTS数据集进行辅助验证。为了对不同模型的效果进行对比,本文以bert-base-uncased、bert-large-uncased、bart-large三种模型为基础文本预训练模型,分别实现了基础问答模型QA、QA+GCN模型、QA+修剪GCN模型。大量实验结果验证了本文提出模型的有效性。综上,本文探索了问答模型在事件抽取上的有效性,以及与图神经网络的有机结合,显著提高了事件抽取的效果。该模型具有较好的扩展性和移植性,为将来外部知识的融合和更广泛的领域应用提供了研究和应用基础。