事件抽取作为自然语言处理领域的重要任务,旨在从无结构文本提取出能描述一个事件构成的结构化信息元组,实现关键信息的提取与压缩,被广泛应用于信息抽取、风险控制、情感分析等领域中。然而传统事件抽取研究主要对针对英文文本领域提出了抽取模型,未对中文文本领域特别是应用广泛的中文金融文本领域进行深入的研究。并且由于监督学习中需要高昂繁琐的人工标注成本,可用训练数据集小,应用范围狭隘。针对上述问题,本文的主要贡献主要包括如下三个部分:1.提出了基于图注意力网络的中文金融事件抽取算法（CAEE）。CAEE模型通过将事件抽取任务作为字符级别的序列标注任务,通过词语嵌入的方式将词语信息融入到字嵌入向量中,然后通过依存句法分析构造基于字词结构的同构图,再通过图注意力网络进行聚合,融合句法信息。最后通过联合抽取得到最后的抽取结果。为了验证模型在中文文本上的有效性,本文收集并标注了中文金融新闻,得到了中文金融事件抽取数据集。CAEE模型算法在该数据集和ACE2005数据集上对比已有事件抽取模型获得了显著的提升,证明了模型对于中文文本领域的有效性。2.提出了基于对抗训练的事件抽取远程监督模型（DSEE）,先借助已标注的数据集和知识图谱训练事件检测模型,并通过知识图谱的三元组对无结构文本进行标注。再利用对抗训练的方式训练生成器和辨别器,使得生成器有能力筛选出可信度较高的生成数据集,最后得到筛选后的远程监督数据集。本文通过人工验证和事件抽取验证结果两种方式证明了DSEE的有效性。3.结合CAEE和DSEE两种算法,对中文金融事件抽取原型系统进行了设计和实现,系统主要包含训练数据集生成,模型训练,模型预测三个模块,和用户交互端,服务器端和算法端三个模块。用户交互端主要提供用户可视化操作界面和结果展示界面。服务器端主要响应请求并调用对应的算法端接口。算法端主要根据CAEE和DSEE算法执行事件抽取和训练数据集生成任务,并返回相应结果。