在互联网技术不断发展的时代中,面对庞杂丰富的网络信息,信息的自动准确获取十分重要。信息抽取技术能够对非结构化文本进行自动分类、提取和重构,主要包括命名实体识别、实体关系抽取和事件抽取等任务。在各个垂直领域中,金融行业的信息需求尤为明显,快捷准确地从海量金融文本中获取结构化信息有助于监管者和投资者科学决策,并且实际工作中,金融信息往往以公告、财经新闻和研究报告为内容载体,文本篇幅长又包含动态事件描述,因此本文从应用价值出发,希望对金融长文本实现事件抽取。为了对复杂文本完成难度较大的事件抽取,本文工作分为依次递进的两部分,首先对不限专业领域的百科短文本做实体关系抽取,进一步对金融领域长文本做事件抽取,承接前文对序列标注模型的经验,同时基于场景的复杂性提出了创新改进。主要内容概括为以下:首先用管道抽取思想完成实体关系抽取,第一阶段的命名实体识别任务建立BERT-Bi LSTM-CRF模型,然后将得到的实体进行两两配对进入第二阶段的关系分类任务,分别尝试了基于注意力机制的Text CNN模型和改造输入层的R-BERT模型,对比实验表明引入动态词向量比静态词向量更能解读语义信息,且R-BERT通过改造输入层融合了实体信息,思想简洁的基础上效果更好。然后通过联合抽取思想完成实体关系抽取,避免管道抽取方法的误差积累和实体匹配造成的样本冗余。采用序列标注思想,构建BERT-Bi GRU-CRF模型,并在原BIO标签的基础上增加关系类型、主客体信息和实体类型信息,因此可以同时获得关系三元组,并减少主客体错位问题。但是改写后的标签类别增多,为了加快训练效率,用Bi GRU结构取代Bi LSTM,对比实验表明BERT和Bi GRU结构都分别增强了语义特征学习能力。最后基于前文经验对金融领域的篇章级文本做事件抽取,但是有3个主要难点:（1）篇章文本篇幅长,超出BERT输入序列限制,（2）篇章文本可能包含多个事件,事件之间存在论元共享,（3）金融文本语言规范性强,专业词汇多。针对以上难点本文提出了基于BERT的多层语义增强模型,用管道抽取方法解耦子任务:触发词抽取和事件判别、论元抽取和角色分配,其中论元包括实体论元抽取和属性论元抽取,属性论元抽取转化为基于BERT的文本分类任务,触发词抽取和实体论元抽取转化为序列标注任务,都采用基于BERT的多层语义增强模型,文本分段输入BERT得到动态词向量表示,拼接后分别进入Bi GRU学习上下文句子级特征和CNN学习不同长度的词汇级特征,特征拼接后经过CRF解码;特别的,实体论元抽取需要额外融合上一阶段得到的事件类别信息,将事件类别和原文拼接为两个句子输入BERT,使BERT更关注原文中与该事件类别相关的论元信息,分别地对每个事件类别抽取论元能够避免不同事件的论元共享重叠。通过实验对比可以论证本文方法能够一定程度解决金融篇章文本做事件抽取的困难。