在自然语言中,事件是一个基本的语义单位,是构成文档的基本要素。事件可信度描述了该事件是确定、否定或者是不确定等情况,表达了人们对该事件内容的态度或看法,即语言文本中事件的真实程度。事件可信度识别是问答系统、篇章理解等诸多相关任务的重要基础。目前,事件可信度识别研究大多仍停留在句子层面,几乎没有篇章级事件可信度的相关研究。因此,本文主要针对篇章级事件可信度语料库建设和识别方法展开深入研究,主要研究内容包括以下三个方面:(1)篇章级事件可信度语料库建设针对目前大部分相关研究仅停留在句子层面的问题,本文构建了一个篇章级事件可信度语料库 DLEF(Document-Level Event Factuality Corpus),促进了相关研究的发展。语料来自“中国日报网”和“新浪双语新闻”等网站选取的4650篇中文文章和1730篇英文文章。首先,在网站上获取相应文章,进行分词等预处理;然后,对每篇文章选取其中的一个核心事件进行标注,标注内容包括句子级和篇章级事件可信度等;最后,对标注完成的语料进行统计分析。(2)基于门控卷积网络的篇章级事件可信度识别方法目前,篇章级事件可信度识别的相关研究较少。本文提出了一个基于门控卷积网络的篇章级事件可信度识别方法 DEFI(Document-level Event Factuality Identification)。该方法首先使用门控卷积网络(Gated Convolution Neural Network,GCNN)从句子和句法路径中抽取篇章中事件的语义和句法信息,然后通过自注意力(Self-Attention)层获取每个序列相对于自身更重要的整体信息的特征表示,从而识别出篇章级事件可信度。在中英文语料上的实验显示,DEFI在宏平均F1值和微平均F1值上的性能表现均优于基准系统。(3)基于BERT的事件句和篇章级事件可信度联合识别方法目前,现有的篇章级事件可信度识别研究建立在事件和事件句已知的条件下,缺乏实用性。针对这个问题,本文把篇章级事件可信度识别问题转换为机器阅读问题:首先通过阅读文章对其讨论事件的可信度问题进行提问;再根据可信度问句来找出事件句和判断篇章级事件可信度。既省去了寻找事件句的工作量,又保留了所有句子对篇章级事件可信度的影响力;最后,采取多任务学习来进行事件句识别和篇章级事件可信度识别。在中文语料上的实验显示,和基准系统相比本文方法在宏平均F1值和微平均F1值上均得到了提高。本文针对篇章级事件可信度识别问题,提出了有效的解决方法,取得了良好的性能,为篇章级事件可信度识别进一步研究提供了借鉴。