事件抽取任务旨在从给定的自然语言文本中抽取出指定类型的事件信息,并形成结构化表达,有助于自动文摘、自然语言生成等任务。由于在复杂的自然文本中获取事件语义信息困难,事件抽取是一个具有挑战的任务。本文主要从表示学习层面对事件抽取任务展开深入研究,主要研究内容包括以下三个方面:(1)目前,大多数事件触发词抽取方法专注于捕获序列中的长距离和局部信息,忽略了论元对触发词抽取的影响。针对这个问题,本文提出了一种基于论元序列表示的事件触发词抽取方法。首先,根据事件类型的分布概率筛选出候选论元,并利用基于注意力机制的循环神经网络能捕获序列中重要线索的特点,提取序列中对触发词抽取贡献最大的候选论元;其次,结合该候选论元和利用双向长短时记忆网络模型获得触发词的上下文表示来抽取触发词。在ACE2005上的实验结果表明,该方法降低了噪声实体对事件触发词抽取的干扰,取得了与目前最优触发词抽取系统相当的性能。(2)针对基于标注实体信息的事件触发词抽取方法缺乏实用性的问题,本文提出了一种基于混合神经网络、面向生语料的事件触发词抽取方法。首先,采用双向循环神经网络层对输入进行编码;其次,通过共享信息将获得的实体上下文表示进一步传递到结合了自注意力和门控卷积的神经网络来抽取事件触发词。在ACE2005上的实验结果表明,该方法能捕获实体和触发词之间的依赖关系,有效地提高了事件触发词的抽取性能。(3)针对目前事件抽取方法中忽略了实体、触发词和论元三者之间的依赖关系问题,本文提出一种基于图卷积网络的实体、事件触发词和事件论元联合抽取方法。本文通过引入句法短弧表示增强事件间的信息流动;其次,利用图卷积网络学习图节点的上下文表示,从而捕获事件间的依赖关系。最后,结合句子级别的门控注意力机制对序列和句法上下文表示进行融合,捕获触发词和论元以及论元之间的内部交互关系。在ACE 2005上的实验结果表明,本文提出的方法能够提高事件抽取的性能。本文针对事件抽取问题提出了三个有效的解决方法,取得了良好的性能,将为事件抽取的进一步研究提供借鉴。