在当今的大数据时代,指数级增长的文本数据给人工智能带来了更多的可能性,自然语言处理领域逐渐受到更多的关注。随着深度学习的发展,海量数据的自动化处理要求不断提高,如何高效利用非结构化文本信息成为一个紧迫且重要的热点任务。知识图谱、事理图谱等概念也渐渐兴起,事件抽取作为构建知识图谱的重要信息抽取技术,对于其他下游任务具有重要的意义,目前深度学习凭借着强大的自动特征抽取能力,逐渐成为事件抽取的主流研究趋势。BERT作为近年的现象级深度学习成就,它的各种微调任务都取得了喜人的成就,因此本文将研究设计BERT的微调结构,针对半开放域事件体系实现具备一定可移植性的事件抽取系统。为了提高模型的泛化能力,本文区别于传统专业性的事件结构设计了不限定事件类型,只识别事件触发词和其对应的四个固定常规论元:主体、客体、时间和位置的基础半开放域事件体系结构。基于该事件结构,分别设计了以下三种基于BERT的微调结构:首先,忽略文本与事件的一对多关系,简单假设所有文本只包含一个事件触发词,将事件抽取问题简单实现为BERT的序列标注问题,不区分触发词和论元角色将标注种类直接处理成6类,解码时只考虑第一个识别到的事件触发词,与识别到的所有论元相匹配,尽管做法不够精细,但也得到了较为不错的成果,充分体现了BERT强大的预训练语义编码能力。其次,为了保留事件触发词与论元的对应信息,本文还设计了MRC式的管道式抽取,一阶段模型完成事件触发词识别,二阶段模型针对一阶段的触发词结果,以MRC式序列标注结构识别其对应的论元,两个阶段分别使用独立的BERT微调实现,由于是管道式抽取,存在误差传播的问题,且二阶段的论元识别部分MRC式模型语义表达不充分,效果不佳。本文重点在以上模型的表现上提出了一种新的改进思路,基于条件层归一化,设计共享BERT编码序列,将触发词结果融入到论元识别中,实现了端到端训练联合抽取,避免了误差传递,由于共享了BERT参数,大大节约了训练时长和内存消耗,巧妙利用条件层归一化保留了事件触发词和论元的对应关系。除此之外,将标注形式修改成了指针标注,可以处理目标词重叠问题,CLN-SL的微调结构设计吸取了上述两个模型各自的优点。本文选用了目前业界最大的中文事件抽取数据集,分别测试了以上三个模型的表现。实验结果表明,最终的设计方案实现了一种高效的BERT对于事件抽取任务的微调系统结构,在抽取结果上相比基础做法有了非常显著的提升。