随着近年来大数据、人工智能等新兴技术的快速发展,数字化政府的建设理念越来越受到重视,利用新兴技术推进智慧政府、服务型政府的建设成为趋势。信息社会发展使得各个领域积累了的大量的文本数据,政务领域文本的数据量也急速上升,这些数据包含了非常丰富的信息资源,对于政府治理具有很大的价值。但是这些文本数据量大、数据复杂、数据价值密度低,这导致了政务数据利用困难,用户无法从这些数据中快速获取关键信息。如何从大量而复杂文本数据中快速获取有价值的信息,成为人们在推进智慧型政府建设过程中需要面对的难题之一。因此亟需一种方式将政务领域中非结构化的文本内容转化为结构化的形式,简洁清晰的描述政务领域中概念及概念间的关键信息,帮助人们从阅读大量文本来获取知识的途径中解放出来。知识抽取技术是从大量的异构数据中抽取实体、事件相关信息的一种优良的技术,具有高度结构化的知识组织特点。本研究针对政务领域数据价值密度低,公众获取信息方式效率低、不全面等问题,对政务领域的知识抽取技术进行研究,包括命名实体识别技术、事件触发词抽取和事件论元角色抽取技术。从非结构化的数据提取出实体、事件相关的关键信息,将提取的信息存储到图数据库中形成事件知识图谱,并在此基础上构建了可用于政务知识智能检索系统,提供了前台的知识检索功能和后台的知识维护功能。主要工作及创新点如下:（1）由于RNN难以实现并行,在处理较长序列时具有较高的时间复杂度,而Transformer模型提取长距离单词之间的直接关系时会产生上下碎片化。本文采用Transformer-XL融合CRF设计出TF-CRF模型进行命名实体识别。为了尽可能地减少标注数据的数量,利用无标注数据提升模型性能,创新性的采用了三阶段的网络训练方法,第一阶段在通用的语料上进行无监督的训练,学习通用的基本语言规律;第二阶段在政务数据上进行无监督的训练,学习政务领域的语言特点;第三阶段在政务数据上进行有监督的训练,学习政务数据的命名实体识别,其结果与基准线模型相比取得了更好的结果。（2）针对将触发词抽取和论元抽取分开执行（流水线方法）,会产生错误传播、无法建立信息流等问题,我们在Transformer-XL的基础上设计出了能同时对触发词和论元角色提取的联合预测模型（EE-JPM）。为了减少标注数据,采用第三章建立的命名实体识别模型TF-CRF的权值来初始化EE-JPM,用标注数据微调事件抽取模型EE-JPM后,该模型相比于分开执行的流水线模型在推理的准确率上有所提高。（3）识别出实体、事件等相关知识后,利用Neo4j图数据库将实体抽取和事件抽取的结果其进结构化的存储,形成政务领域的事件知识图谱。然后以事件图谱为基础构建政务知识智能检索系统,不仅可以完成常规的搜索,还可以对人物、机构、会议等事件活动等重要查询结果进行结构化知识的展示以及对这些知识在后台进行管理维护。