本文提出使用知识图谱和基于机器阅读理解的面向不规则文本的篇章级事件抽取模型。数据稀疏和远程依赖是篇章级事件抽取研究中的两个重要挑战。本文对多个数据集进行处理,结合知识图谱技术,缓解数据稀疏问题给模型带来的负面影响。本文使用机器阅读理解模型,自动生成问答模板,在全文范围内寻找正确答案,解决部分远程依赖问题。本文提出再回答机制,将知识图谱中的信息嵌入到机器阅读理解模型中,实现篇章级事件抽取。与经典事件抽取模型相比,本文提出的模型取消事件和论元识别两个子任务,减小了误差传递。本文使用知识图谱缓解数据稀疏问题。首先,本文设计了一种新的数据结构,能够将语料中的事件信息存储到知识图谱中,同时保留事件与事件、事件与论元之间的位置关系。在存储节点中增加下级节点索引的功能,更方便顶层模型从知识库中获取事件间关系。其次,本文提出了基于条件概率的初始化方法。以篇章级文本为基本单位,计算事件同时出现的概率,生成事件链;计算某个事件论元出现的概率,生成论元链。最后,控制知识图谱中事件节点数量和事件论元数量,运行本文提出的模型,证明使用知识图谱能够部分解决数据稀疏问题。本文提出再回答机制,结合机器阅读理解模型,缓解远程关系依赖问题。首先,本文提出基于意图和事件链的文本表示方法。这种表示方法能够充分表示文本中任何位置的信息,增加机器阅读理解模型挖掘文本信息的深度。其次,模型根据知识图谱中事件链和论元链生成事件抽取问答模板,经过运算后产生抽取结果。再回答机制中,计算确认事件发生的情况下,发生事件链下一个事件的概率;针对不确定事件,抽取该事件对应论元链的所有论元,比较得到的论元数量和确定事件的已抽取论元数量的均值,确定是否生成不确定事件的问答抽取模板。在实验部分,基于ACE2005数据集生成的知识图谱,本文与领域内标准模型进行横向比较,论元分类的召回率R为40.8%,F1分数为42.26,证明了本文模型在缓解远距离依赖问题上的有效性。在本文生成的数据集上,选择30%,50%,70%,85%的数据存储至知识图谱,对应F1分数为47.37,49.89,50.62,51.06,证明本文模型在缓解数据稀疏问题上的有效性。