事件时序关系识别是对具有时序关联的事件对进行识别,并对它们之间的时序关系进行分类的一项任务。它对任何试图深入理解自然语言的系统来说都至关重要,如自动问答、信息抽取、文本摘要等。早期的事件时序关系识别研究通常专注于提取各种语言学特征,这些研究工作严重依赖人工标注的特征和外部知识库,而对形式上更加灵活且更具泛化能力的神经网络的应用却相对较少。本文工作聚焦于神经网络方法在事件时序关系识别任务上的应用,研究内容如下:(1)基于深度双向长短期记忆网络的事件时序关系识别方法与传统的基于特征工程的统计机器学习方法相比,神经网络方法在事件时序关系识别上显现出明显的优势。但是,现有的神经网络架构往往较为浅显(如单层循环神经网络或卷积神经网络),导致它们可能无法在不同的抽象层次上探索潜在的语义表示空间。针对这一问题,本文提出使用深度双向长短期记忆网络进行事件时序关系识别。该方法将多层网络中的所有前置层输出进行拼接作为后续层的输入,从而使其中的信息充分流动。实验结果表明该方法能有效提升事件时序关系的识别性能。(2)结合自注意力和神经网络的事件时序关系识别方法对于传统的循环神经网络或卷积神经网络而言,处理结构化信息和捕获句子的长距离依赖关系仍然是一个重大挑战。针对这个问题,本文提出一种结合自注意力机制的事件时序关系识别模型,它可以直接捕获句子中任意两个词例之间的关系。将自注意力机制与非线性神经网络层相结合,可以使事件时序关系识别性能得到显著提高。对比实验证明所提方法优于现有的大多数神经网络方法。(3)基于神经网络的事件时序与因果关系联合识别方法事件之间的时序关系和因果关系密切相关,两种事件关系往往相互影响。然而,对这两种关系进行联合学习的研究却极为有限。本文提出一种基于神经网络的联合学习框架来整合时序关系识别和因果关系识别两个任务,通过共享两个任务模型的网络层信息来实现两种关系的相互作用。实验结果表明,通过利用事件之间的因果信息,联合学习框架能够显著提升时序关系的识别性能。本文提出了三种有效的事件时序关系识别方法。针对事件时序关系识别方法中存在的问题,例如网络架构浅显、难以处理结构化信息和捕获长距离依赖关系、忽略时序关系和其它事件关系的关联等,给出了不同的解决方法,并显著提升了事件时序关系识别的性能。这些方法在学术研究和实际应用中有着良好的研究价值。