随着信息爆炸式的增长,如何从这些复杂多样的数据中识别出自己想要的信息是一个备受关注的问题。突发事件具有破坏性和突发性,该事件的出现会对社会和人类造成不可磨灭的伤害,通过当前先进的技术来检测和发现该事件,做到早发现,早补救,会减轻其对社会带来的伤害,具有重大的研究意义。对于事件识别,很多人是通过人工规则和浅层机器学习的方式进行识别,但是这些方式可能会需要大量的人力并且具有移植能力差的缺点,随着深度学习的火热发展及其在社会应用中所产生的良好效果,越来越多的人使用深度学习来进行事件的识别。在深度学习中,最常用的两种模型就是卷积神经网络模型和循环神经网络模型,在本文中,将采用一种将两种模型进行结合的RCNN模型,并对其模型进行改进,以便能更好的完成突发事件识别的任务。本论文的主要工作如下所示:(1)使用人机互助方式构建突发事件数据集。在本文中,通过研究突发事件的类型,对不同类型的突发事件所包含的关键词语进行整合,建立一个触发词表,通过触发词对数据集进行分类建立初步突发事件数据集,然后在此数据集的基础上进行人工再分类。(2)通过对RCNN模型的工作原理的研究,进而实现模型的改进,RCNN模型是一个双向循环神经网络和池化层相结合的结构,首先将该模型中的循环部分的传统RNN模型转化为LSTM模型。其次认识到对于RNN模型常常使用Tanh激活函数而并不是快速有效的Re Lu激活函数,因为RNN和Re Lu结合使用会导致输出值过大的问题,而池化层具有特征降维的功能,就大胆的将激活函数变为Re Lu激活函数。实验表明,通过对模型的改进,模型的训练过程中能找到适合的模型参数,测试的准确率达到了83.5%。(3)通过对比不同的改进模型、正负数据集比例和词向量维度对模型的影响,训练出最优模型,准确率达到了90%,召回率和F1值分别达到了92.55%和91.26%。在论文中,将传统的RCNN模型中的双向RNN+Tanh激活函数+池化层的结构改进成双向LSTM+Re Lu激活函数+池化层的结构,并与目前常使用的模型进行结果对比,验证到该模型有良好的识别效果。