事件抽取旨在将文本中的事件信息抽取为结构化的数据形式,对于信息检索、事理图谱的构造有重要作用。现有的事件抽取方法大致可以分为管道方法和联合方法。管道方法存在错误累积的问题,近期的大部分工作都采用联合方法进行事件抽取。然而大多数句子级的事件抽取联合方法缺少文本的整体信息以致无法很好地处理触发词的二义性问题,而文档级的抽取方法存在建模复杂的问题;另外,由于事件触发词和事件元素在句子中的关系紧密,事件抽取任务十分依赖句法特征,然而只有少数方法在事件抽取中引入句法信息,但是这些依赖预训练工具的句法分析仍会对事件抽取造成错误累积;并且在相关数据集和现实应用中,句子中包含多个事件或者事件元素重叠的情况十分常见,但多数方法只考虑单事件和单元素角色,丢失了大量的事件信息。为了解决上述问题,本文提出一个基于主题特征和隐式句子结构的事件抽取联合方法。该方法首先通过结合BERT和LDA为句子级的事件抽取模型引入文档级的主题信息解决了触发词的二义性问题;其次抽取出BERT词嵌入表示中隐含的句法信息,并将该抽取过程与事件抽取进行联合建模,不仅为事件抽取引入重要的句法信息,同时也避免了错误累积问题;最后模型能够抽取单句中的多个触发词以及抽取实体在多个事件中的元素角色,解决多事件和事件元素重叠的问题。受益于引入主题特征和隐式句法特征以及联合建模的优势,本文的工作能够在事件抽取任务上获取一定的提升。本文主要贡献在于:1.研究一种基于主题特征的事件抽取联合模型:通过将结合了具有句子上下文语义的BERT向量表示和具有主题分布信息的LDA主题表示得到的主题特征引入模型以解决触发词二义性问题,并对事件触发词和事件元素进行联合建模以解决子任务之间的错误累积问题,模型的设计面向多事件和事件元素重叠问题,能够有效提高模型性能。2.研究一种基于隐式句子结构的事件抽取联合模型:对基于主题特征的模型未引入重要句法信息的问题进行优化,通过抽取BERT词嵌入结果中隐含的句法信息,并将该抽取过程与事件抽取两个子任务联合训练,可以在引入重要句法信息的同时解决上游任务的错误累积问题,模型的设计面向多事件和事件元素重叠问题,能够有效提高模型召回率。3.设计并实现基于事件抽取公开数据集的实验。利用常用的评估任务和评估指标对实验结果进行评估,并与已有的方法在同样的评估指标下对结果进行比较和分析,结果显示本方法在各评估指标上均取得一定提升,验证了方法的有效性。