随着互联网技术的发展和普及，网络已经成为人们日常生活中必不可少的

部分。互联网上存在大量的非结构化电子文本，面对日益增长的网页数据，如

何帮助人们理解这些数据，快速地从海量的非结构化文本中发现知识，以及如

何将这些文本知识表示成计算机易于“理解” 的形式，从而减轻人类的学习成

本，显得越来越重要。信息抽取技术的提出正是为了解决这个问题。

事件抽取是信息抽取技术的重要环节，也是信息抽取领域的难点问题。它

旨在从非结构化文本中抽取出用户感兴趣的事件信息并以结构化的形式呈现

出来，如什么人，什么时间，在什么地方，做了什么事。事件抽取不仅有助于

互联网信息的管理与服务，而且对于文本内容理解具有重要支撑作用，能够将

文本分析从语言层面提升到内容层面，对大规模知识库构建、自动问答、语义

搜索、舆情监控等具有潜在的应用前景。因此，事件抽取技术得到了学术界和

工业界的广泛关注，成为越来越热门的研究课题。近年来，基于机器学习的事

件抽取研究已经取得了一定的进展，其中基于监督学习的方法占据了主导位

置并取得一系列成果，然而其性能一直比较低。现有方法主要面临着三个挑

战：（1）特征方面：特征提取过程中过分依赖现有的自然语言处理工具，存在

误差累积问题；（2）语料方面：训练语料由人工标注耗时、费力、成本昂贵，

而且语料规模较小、类别较少；（3）抽取过程方面：独立预测各个候选事件元

素，忽略事件内部各个元素之间的关系和影响。本文针对上述挑战和问题，面

向非结构化文本的事件抽取关键技术展开研究，研究成果主要包括：

1、针对特征提取过程中过分依赖自然语言处理工具造成的误差累积问题，

提出基于动态多池化卷积神经网络的事件抽取方法。该方法不依赖于现有的自

然语言处理工具，利用动态多池化卷积神经网络从原始文本中自动学习表示事

件信息的特征，特别地考虑了一句话中有多个事件的情况。具体地，首先将输

入文本表示为词向量形式，然后抽取候选事件触发词和事件元素对应的向量作

为词汇级特征，同时利用动态多池化卷积神经网络进行语义组合得到句子级特

征，最后将这两种特征拼接起来构成最终的特征向量。实验结果表明，与基线

系统相比，该方法在事件抽取任务上性能有显著提升，改善了传统特征抽取存

在的误差累积问题，同时使用动态多池化技术后系统性能进一步提升。