互联网应用的快速发展使得网络获取的数据量也大幅度的增加。如何快速、高效的从大规模数据中分析出真正有用的信息显得尤为重要而迫切。信息抽取这一研究领域在此背景下应运而生。而事件抽取作为信息抽取的一项子任务,不仅依赖于基础的自然语言处理技术,而且对分词、词性标注、命名实体识别、句法分析等结果也有所依赖。但不能单纯的理解为信息检索或浅层语义理解,而是需要去挖掘句子背后隐藏的真正含义。因此,作为信息抽取任务中一个至关重要的研究点,事件抽取技术方面的研究将变得任重而道远。传统的事件抽取研究所采用的语料大多都是面向限定域,而且必须事先给定事件类别,而后利用机器学习或者模式匹配算法进行事件类别识别以及事件元素识别工作。所以,传统的事件抽取方法在处理领域移植问题时的效果不佳。而本文中开放域事件抽取则是指以各个领域的语料为基础进行的事件抽取研究,并且不需要预先指定事件的类别。本课题重点关注开放域事件抽取方面的研究,并将其定义为以下两个方面的任务:(1)开放域触发词抽取任务。在触发词抽取阶段,本文提出了一种基于句法规则(Rule)和最大熵(Maximum Entropy,ME)模型相融合的R-ME触发词抽取算法。其中,基于句法规则的方法需要人工制定规则,其优势为表征能力强、抽取速度较快,但是对于句法分析的结果太过依赖,而且对于复杂句式的抽取效果较差。基于最大熵模型的方法受句法分析的影响较小,抽取的准确率高,同时对于复杂句式方面抽取的效果优于句法规则方法。基于此,本文将以上两种方法进行结合,由实验证实可知,结合后的方法的F值为69.9%,与单一的句法规则和最大熵模型方法的结果相比分别提高了5.0%,4.3%,以此说明我们提出的R-ME模型算法的实用性。(2)开放域事件元素抽取任务。在事件元素抽取阶段,本文提出了一种基于条件随机场(Conditional Random Field,CRF)模型的事件元素抽取算法。首先构造标注分析器,将触发词和候选事件元素间的各种特征融入到分析器中,然后利用CRF模型算法进行事件元素抽取。从最终的实验结果来看,该模型的F值达到了66.9%,说明模型有不错的抽取效果。为了体现对比性,本文在相同的环境下使用最大熵模型算法进行事件元素抽取,但是由实验结果可知ME模型最后的F值仅为61.9%,分析原因为CRF模型较ME模型相比有效克服了标记偏置问题,所以,最后的测试结果表明条件随机场模型算法的抽取结果优于最大熵模型算法。最后,本课题在以上两个任务的基础上设计了开放域事件抽取原型系统。