文本事件抽取的目标是检测文本中的事件实例,如果存在,则标识事件类型及其所有论元和属性。近年来,虽然文本事件抽取方法研究得到了很大的关注,但是相对于实体抽取和关系抽取而言,现有的方法仍然存在模型复杂和抽取精度低的问题。本文考虑从特征编码和模型结构出发,采用流水线式方法,引入深度预训练语言模型,图卷积网络和注意力机制等,改进现有的文本事件抽取模型。主要研究工作如下:1.针对传统上下文无关词向量未考虑句子整体含义,无法直接获得句子级特征的问题,提出了一种基于BERT和图卷积网络的事件检测方法。该方法通过引入BERT词向量来丰富句子和单词的特征表示,并引入句法结构来捕捉长距离依赖关系,识别事件触发词。在基准数据集上进行了实验验证,并与其他具有代表性的触发词抽取方法进行比较,实验结果表明本文所提出的方法在实验数据集上的各项性能优于其他的方法,在事件检测两大任务上的F1分数分别达到了77.6%和74.2%。2.针对现有的事件抽取方法在论元抽取阶段容易忽略触发词和其他事件论元对候选事件论元的影响,提出一种基于Bi-GRU和Multi-Attention机制的事件论元抽取方法,该方法特征选取上结合了BERT词向量和其他基本特征。在模型构建上,采用了Bi-GRU网络来编码特征,同时多注意力机制能够将句子分成三个部分计算注意力权重。实验结果表明本文所提出的方法在实验是数据集上执行事件论元抽取任务的各项性能均优于现有的方法,论元识别和论元角色分类任务的F1分数分别达到了69.2%和61.6%。深度语言模型、多注意力机制和Bi-GRU结合有助于提升特征编码质量。3.基于上述研究成果,将提出的两个方法应用于新闻事件抽取领域,设计并实现了新闻事件抽取原型系统。在该系统中事件抽取模块以流水线的方式完成抽取,触发词抽取和论元抽取两部分分别采用了基于BERT和图卷积网络的事件触发词抽取方法和基于Bi-GRU和改进注意力机制的事件论元抽取方法。该系统提供可视化的Web界面,有助于提升企业工作效率。