事件描述了特定的事件成员在某个特定时间及地点表现出一系列动作特征的客观事实。事件抽取任务的目标是抽取出自由文本中指定的事件信息,并将其以结构化的形式输出。结构化的事件信息包括触发词、触发词的类型、事件成员及事件角色。事件抽取任务又可以分为事件类型判定和事件角色判定,本课题主要聚焦于前一个任务。现有的事件类型判定方法因数据稀疏问题的存在,使其性能受到很大的影响。事件抽取语料规模较小以及类型分布不平衡等数据稀疏问题往往会造成分类器训练不充分,难以在测试语料中准确的抽取出训练语料中没有出现或者出现较少的信息。针对事件类型判定任务中出现的上述问题,本文分别提出了以下三种解决方法:基于关联性传播的事件类型判定方法研究本课题提出了基于事件类型关联性传播的方法来优化事件抽取研究。该方法旨在结合外部文档,挖掘与待测文档的相关事件类型,并将其“传播”到被系统“遗漏”的样例上,从而可以对基抽取模块的结果进行修正,以此来提高系统召回率。同时,为了缓解“过度传播”,本课题还引入了基于“分类置信度评分”以及基于“主题分布熵”的限制条件,从而在保证召回率的前提下更进一步的提高准确率,最终提高了事件类型判定任务的性能。结合文本复述技术的事件类型判定方法研究同一篇章中通常包含多个相同类型的事件,而承载这些相同类型事件的句子往往具有不同的文本表述。受限于事件抽取语料的数据稀疏及分布不平衡现象,针对同一个类型的事件,基抽取系统往往会“遗漏”部分结果。因此,通过文本复述技术识别出具有相同语义的句子,以此来扩充基系统的事件类型判定结果。本章实验了在不同的“种子事件”选择策略下,结合文本复述技术,将种子事件的信息传播到复述文本中,以提高事件类型判定任务最终性能。深度与主动联合学习的事件类型判定方法研究以监督学习为基础的事件抽取方法受制于训练语料规模小、类别分布不平衡和质量稂莠不齐的问题,同时,传统的基于特征工程的事件抽取方法往往会产生错误传递的问题,且特征工程较为复杂。因此,本章节提出了联合深度学习和主动学习的事件类型判定方法。该方法将Jordan-RNN模型对事件类型判定的置信度融入在主动学习的查询函数中,以此在主动学习过程中提高训练语料的“标注”效率,进而提高事件类型判定的最终性能。