据中国互联网信息中心(CNNIC)的数据显示,截至2020年3月,我国网民规模为9.04亿,互联网普及率达64.5%。随着网民用户的不断扩张,互联网舆情新闻的传播速率越来越快,传播范围也越来越广。尤其在2020年初,受新冠肺炎疫情影响,舆情新闻的受关注程度进一步呈现快速增长态势。除此之外,随着各大网络平台纷纷抢占互联网新闻市场,针对同一舆情热点,往往伴随着种类繁杂、冗余程度极高的舆情信息。网民想要快速全面了解一个舆情热点的主要信息并时刻跟进该舆情热点的下一步发展,需要消耗极大的时间与精力。因此,为提高网民的阅读效率,并辅助其跟进舆情热点的动态变化,本课题主要进行了以下两方面的工作。第一,本课题对面向舆情新闻的要素抽取技术进行研究,目的是从互联网中大量非结构化新闻文本中抽取结构化数据,作为舆情新闻的要素知识。首先,本课题对要素抽取这一非传统自然语言处理任务下定义,明确要素抽取的粒度分级,阐明不同粒度要素之间的异同。然后采用不同层级的自然语言处理技术进行实现。对于论元级要素抽取研究并实现语义角色标注技术,对于实体级要素抽取研究并实现开放域信息抽取技术。第二,本课题对面向舆情新闻的生成式文摘技术进行研究,其目的是利用自动文摘算法对长度较长舆情新闻文本进行分析总结,输出简明扼要的文本摘要。通过对现有方法存在的问题进行分析,本课题提出了由知识驱动基于全局编码信息的生成式文摘模型的解决方案,尝试将要素抽取结果与自动文摘技术相结合,并提升文摘系统的最终性能。本课题所提出的方法在不同语料库的各项任务指标上均取得较好表现,并在与课题相关的实际舆情监控系统中落地应用。