事件同指消解是信息抽取领域中的重要课题之一,有助于理解文本信息和发现事件之间的相互联系,在信息抽取、智能问答、机器阅读理解等领域有着重要的应用价值。目前,同指消解研究主要集中在实体同指消解,针对事件同指消解的研究较少。由于事件的表达形式灵活以及篇章内事件间关系复杂,事件同指消解任务具有挑战性。事件同指消解分为文档内事件同指消解及跨文档事件同指消解,本文主要针对文档内事件同指消解技术展开深入研究,主要研究内容包括以下三个方面:(1)针对现有的事件同指消解方法无法很好地挖掘事件深层语义的问题,本文提出基于多可分解注意力机制的事件同指消解方法。首先,根据同指事件的语言学特点采用了多种语义特征;其次,使用可分解注意力对特征加权,在提取其中的相似信息的同时过滤大量的无关特征及干扰信息,并利用神经网络相似度模型来判断事件对是否同指。最后,使用全局优化方法消除了模型中的冲突结果。在ACE 2005和KBP语料库上的实验表明该方法在多个指标上优于多个基准系统。(2)针对大部分事件同指消解研究过于依赖标注信息的问题,本文提出了一种基于未标注生语料的事件同指消解方法。首先,提出了一种事件同指消解框架,包含事件抽取、真实性识别以及事件同指消解三个部分;其次,使用卷积神经网络和循环神经网络等从生语料中进行事件抽取,抽取出事件以及相关事件属性;最后,针对生语料缺乏相关标注特征的问题,本文使用门控卷积和注意力机制编码事件,提取事件结构中的深层特征,并得出同指结果。在KBP 2015以及KBP 2016语料库上的实验表明该方法在多个指标上优于多个基准系统。(3)针对现有的事件同指语料库规模小,造成深度神经网络容易过拟合的问题,本文提出了基于远程监督和强化学习的事件同指消解方法。首先,建立基于多头注意力机制的相似度模型作为事件同指消解的基础模型;其次,在大规模无监督语料库中采用远程监督方法使用该基础模型来标注数据;再次,针对自动标注数据错误率较高的问题,使用强化学习机制设计了一种样本选择器,通过筛选远程监督数据集的样本,提升了远程监督数据集的数据质量。本文提出的数据扩充的方法无需人工干预,所有的工作都可由机器自动完成。在KBP 2015以及KBP 2016语料库上的实验表明该方法在多个指标上优于多个基准系统。本文针对事件同指消解任务中存在的问题,提出了三种有效的事件同指消解方法,大幅提升了事件同指消解的性能,这些方法在学术研究和实际应用中有着良好的研究价值。