事件抽取目的是检测文档和信息流中是否存在事件,并以结构化的方式展示事件信息。其研究任务包括辨别事件类型、抽取事件参数,以及从不同来源的文档中发现和追踪相似的事件等。不同的研究任务衍生出不同的研究方向,本文从限定域和开放域的角度开展复杂事件抽取的研究,分别选取“面向上市公司新闻公告的事件抽取”和“面向新闻文本的事件脉络构建”为研究课题,主要研究工作如下:研究课题1:面向上市公司新闻公告的事件抽取。以金融领域新闻公告事件数据集为研究对象,针对数据中存在的“无触发词信息”和“复杂事件实例问题”,设计事件类型及参数联合抽取模型JETAR（Joint Prediction of the Event Type and Argument Role）,以“事件类型-参数角色”作为组合标签,完成事件类型及参数的识别。针对“多事件参数耦合”问题,设计基于核心参数角色（Core Argument Role,CAR）的参数关联模型（The Arguments Matching Model Based on CAR,AMCAR）,完成多事件参数解耦。实验表明,本课题提出的算法抽取效果显著优于基线方法,可得到更清晰、完整的事件信息。研究课题2:面向新闻文本的事件脉络构建。从“文本→话题→事件→事件脉络”的概念层次,逐级开展基于新闻话题的文本检索（文本→话题）、基于新闻事件的聚类（话题→事件）和事件脉络构建技术（事件→事件脉络）的研究工作。其中,在话题检索部分,建立基于关键词的倒排索引库实现对相同话题的文本检索。在事件聚类部分,对两大核心问题展开研究:1)针对聚类系统更新慢、阈值敏感等问题,提出了Singlepass-E算法,支持在线更新的同时,在多种聚类效果评价指标V-measure和ARI上均有明显提升;2)针对无监督模型在文本相似度匹配任务中对困难样本识别效果差的问题,设计基于Keyword-masked注意力机制的Trans Encoder-E模型,识别结果在Precision和Recall指标上均有明显提升。最后,在事件脉络构建部分,设计连接强度策略实现新闻事件集合的关联性计算,并完成对整个事件脉络发展过程的展示。此外,本课题研究内容“理实结合”,将科研成果转化为工程实践应用。研究课题1的成果应用在“2021语言与智能竞赛”中,在1690支参赛队伍中取得第3名的成绩;对研究课题2中的事件聚类结果,结合Neo4j图数据库完成新闻事件脉络的可视化展示。