故事是由一系列事件组成的,故事中事件的整体设计或布局组成了叙事情节结构(plot structure)。利用叙事情节结构组织事件是一个非常自然的想法,这是因为人们就是通过这种方式讲述故事的。本文关注叙事情节结构中事件之间的连接关系,即事件情节关系。事件情节关系是事件之间的解释性关系,它能够表示在叙事中事件之间有意义的连接关系。事件情节关系的识别对于多种自然语言理解任务具有重要的意义,例如文章自动摘要、问答系统和事件共指消解等。事件情节关系识别是一个较新的课题,在已有的工作中关于自动化事件情节关系识别方法的研究较少。本文研究主要关注事件情节关系识别与推理的自动化方法,研究内容如下:(1)基于局部预测的事件情节关系识别方法本文提出了基于局部预测的事件情节关系识别方法。该方法以事件对为基础,对多种特征进行抽取用于训练机器学习概率预测模型,从而预测事件情节关系的分类概率分布。实验结果表明,与基线方法相比,该方法的分类概率分布预测效果较好。(2)基于全局优化的事件情节关系识别方法在基于局部预测的事件情节关系识别方法的基础上,本文提出了基于全局优化的事件情节关系识别方法。该方法基于整数线性规划模型,根据事件情节关系的特点设计了若干种基本约束和反传递性约束,从而获得了全局一致的优化结果。实验结果表明,该模型有一定的性能提升。(3)事件情节关系与事件要素联合推理最后,本文提出了事件要素与事件情节关系联合推理方法。基于事件要素和事件情节关系之间的联系,该方法设计了事件参与者、地点要素数量限制约束和联合推理约束。以基于全局优化的事件情节关系识别方法为框架,该方法通过重新设计优化目标和增加设置多种约束条件对多任务进行联合优化。实验结果表明,该方法的性能有明显提升。除此之外,在基于局部预测方法中的模型训练完成后不需要对数据进行额外标注,因此该方法具有实用性价值。