随着互联网的普及和发展,互联网中的信息量正以指数级别飞速地增长,网络新闻已经成为人们获取新闻事件信息的一种不可或缺的来源。而网络中存在大量冗余信息导致用户很难在新闻媒介上理清某一具体事件发生的来龙去脉。为了应对信息爆炸带来的挑战,迫切需要一些自动化的分析工具帮助人们在海量新闻中找到真正有价值的信息。事件发现可以将高关联的新闻信息聚一起,可以使人们更加高效的浏览信息,把握社会发展趋势,不至于被大量冗余信息淹没。事件预测通过抓取前序子事件内蕴含的规律性信息,来自动生成预测事件,对政府决策,公司决断有着重要意义。本文将深度学习技术引入新闻事件分析中来,主要的研究工作有:(1)本文提出了一种融合新闻结构化信息的事件发现算法。方法的创新点在于将新闻的时间戳融入到新闻文本表示学习当中,并设计了基于关键命名实体的双层聚类模型来提升事件发现任务的表现。该方法不仅强调了新闻的结构化信息在事件发现任务中的作用,也克服了传统聚类方法,如K-means,需要设定聚类簇个数的弊端。且模型在爬取的新闻语料库进行评估,显著优于主流模型。(2)本文提出了一种基于注意力机制和强化学习的事件预测算法。算法基于端到端学习框架,根据新闻序列结构设计了新颖的分层注意力机制,并将深度强化学习引入到事件预测任务当中来。该方法的优势在于模型可以通过自动评判预测事件的质量,趋动自身生成高质量预测事件,在真实数据集上的大量实验表明,我们的模型在困惑度和BLEU值两个指标上明显优于现有最先进的模型。(3)本文还构建了一个新闻事件一体化分析系统。以上两个研究点都是从算法层面对新闻分析效果进行提升,为了方便用户快速精准的对新闻数据集进行分析,本文基于Spring MVC框架搭建了一体化新闻分析系统,可以接收用户上传的新闻数据集,对新闻数据集进行自动分析。主要功能包括用户管理,数据交换,事件发现,事件预测等。