事件抽取是指从自然语言文本中抽取其中包含的结构化事件信息的任务。事件抽取任务按照抽取目标是否限定为特定领域的事件,可以分为限定域事件抽取和开放域事件抽取。限定域事件抽取需要先指定抽取的领域,人工预定义该领域的事件模式,并基于此进行该领域事件抽取。开放域事件抽取是指在不限定事件类型及模式的情况下,从文本中检测不限定类型及模式的事件并对事件论元信息进行抽取。限定域事件抽取任务的方法往往存在领域间迁移困难问题,相比而言,开放域事件抽取任务的设定更有助于抽取广泛不限定类型的事件信息,是一个很有价值的研究问题。现有的开放域事件抽取相关方法存在很多不足,现有监督学习抽取方法基于覆盖事件类型有限的人工预定义事件模式且严重依赖人工标注数据,现有基于概率图模型的无监督抽取方法用于事件论元角色表示和论元抽取的效果大多较差,均难以应用于面向日常生活中大规模新闻文本语料的开放域事件抽取。因此,本课题主要研究基于模式自动归纳的开放域事件抽取关键技术,从无标注新闻文本语料中自动归纳出其中蕴含的事件模式,并基于归纳出的事件模式在新闻文本语料上进行开放域事件抽取,分为开放域事件类型归纳、事件论元角色归纳和基于模式自动归纳的开放域事件抽取三个部分进行研究,分别提出了一种融合主题模型和预训练模型的事件类型归纳方法、一种基于图表示学习的事件论元角色归纳方法和一种基于模式自动归纳的开放域事件抽取方法,并采用提出的上述方法在基于英文新闻文本构建的数据集上进行了开放域事件抽取实验。实验结果表明,本文提出的事件类型归纳方法相比基线方法在触发词集合连贯性、类型多样性方面均有较大的效果提升,本文提出的论元角色归纳方法可以归纳出代表性和唯一性较好的论元角色,本文提出的基于模式自动归纳的开放域事件抽取方法相比基线方法抽取效果也有较显著的提升。本文提出的基于模式自动归纳的开放域事件抽取方法可以避免传统事件抽取方法对于人工标注数据的依赖,且相比人工构建的事件模式,由大量文本数据自动归纳得出事件模式更加客观的反映了现实世界中的事件,具有良好的可解释性和实用性,有重要的理论意义和广阔的应用前景。