事件抽取是信息抽取三大任务之一,通过将文本中事件的信息识别出来,并且把非结构化文本的事件信息用统一结构集成呈现出来,可有效地从海量的非结构化文本数据中获取关键信息,其模型效果的好坏会影响到知识图谱、实体抽取、关系抽取等下游自然语言任务的性能。目前,对于商品新闻领域的事件抽取研究较少,为促进这一领域的发展,本文主要是基于CNC数据集来展开事件抽取模型的研究。本文旨在探究事件检测和论元识别两个事件抽取的子任务。尽管现有研究已经取得了一定进展,但仍存在以下三个问题。首先,现有事件检测方法大多利用句子的顺序结构来构造神经网络模型,这种建模的方式在捕获长距离依赖关系的事件信息时效率较低。虽然后来有利用到依存树中的依赖弧构造图卷积模型来解决顺序建模的问题,但是在此过程中,分配给每个节点的权重一样,未能有效考虑节点的关键信息。其次,在研究事件抽取的两个子任务时,一般是采用先进行触发词分类再进行论元识别的管道式抽取,这样会造成联级错误,将其中识别错误的触发词信息传递给论元,使得两个子任务的效果都变差。第三,模型的初始词向量嵌入如果表示程度欠缺,就难以捕捉句子深层的双向表征,致使触发词一词多义的问题。为解决上述问题,本文的主要工作包括以下两点:（1）针对顺序建模无法捕捉事件长距离依赖信息和图卷积模型未考虑关键节点信息问题,本文提出了一个基于图注意的事件检测模型（Graph Attention Network Event Detection,GATED）。该模型首先使用BERT作为词向量嵌入部分,利用Bi LSTM学习上下文信息,并用GAT模型来加权节点的信息,使节点特征之间的相关性能更好的融合到模型中,提高其自适应性。本文在CNC数据集上进行实验研究,其中GATED的模型效果优于传统的基线方法,F1值为0.9463。为提升模型的稳健性,本文对模型的基本参数进行了扩展实验,探究了GAT隐藏层的维度、学习率的大小、GAT堆叠的层数、丢失率的大小对触发词分类的影响。（2）针对管道式抽取的联级错误和词向量嵌入特征欠佳的问题,本文提出了一个基于预训练的联合事件抽取模型（Pre-training Language Graph Event Extraction,PLGEE）。在模型的编码层部分,本文对比了BERT、ALBERT、Ro BERTa和XLNet四种预训练方法在事件抽取研究中的效果,并分析其优劣。在特征提取层部分,延用了Bi LSTM和GAT来编码上下文信息并融合依赖弧中的语法信息。在池化操作部分,对比了和池、平均池与最大池的三种选择器。在解码层部分,通过共享编码层和特征提取层的参数,然后采用联合抽取的方式,同时进行触发词和论元角色的分类,联合二者的损失函数,共同提升两个子任务的性能。通过基础实验和扩展实验表明,联合事件抽取模型在效果上优于传统的基线模型。并且采用XLNet作为预训练模型能更好的解决嵌入特征欠佳的问题。综上所示,本文提出的GATED的事件检测模型,在触发词分类的任务上,相较基线方法取得了效果上的提升。此外,提出的PLGEE事件抽取模型,在图注意模型的基础上,结合触发词和论元分类两个子任务的联合学习,并利用XLNet的预训练加强句子特征表示,能有效提升事件抽取两个子任务的效果。