理解文本中描述的事件对于许多人工智能(AI)应用至关重要,例如话语理解,意图识别和对话生成。其中脚本事件预测是这项工作中最具挑战性的任务。脚本事件预测也可以叫做剧本事件预测,这项任务是来自手工编码任务的子任务。其中手工编码任务起源于1970-80年代,最早是作为文本知识骨干而使用,让推理和其他需要利用文本中深层语义知识信息的NLP任务成为了可能,如故事生成、对话理解、文本推测等任务提供了基础。完成剧本事件预测的主要工作可以分为三部分:第一部分是从文本中依照规则抽取定义上的剧本事件;第二步是将剧本事件变成计算机可以理解的表达方式;第三部分是指定剧本事件预测模型和评估方法。细化成技术方面,完成剧本事件预测任务的主要步骤分为:数据清洗、依赖分析、实体分析、抽取事件、获取事件链、构建预测模型、评估模型,这七个部分。由于构建预测模型的好坏、优劣决定了整个流程是否能充分掌握文本中事件的语义信息,因此本文的工作重点在于第六部分构建预测模型和第七部分评估模型这两部分。本文的主要内容是针对剧本事件预测任务中,事件预处理的事件表达这一环节进行了更加深度的工作。主要贡献是在事件的向量表示处理这一步,针对事件元组中多义词对事件的含义影响以及无法包含事件之间稠密信息这两个问题,提出了采用上下文事件生成剧本事件的向量形式,对任务准确度有一定的提升。最后在前人的工作基础上,进行了模型准确度对比,分别和PMI模型、和Bigram模型、以及长短时记忆网络+Attention机制模型对比了模型的准确度。此外还做了横向对比实验,研究了事件元组中包含的依赖元素种类对于任务准确度的影响。综上,根据实验发现真正影响实验最后结果的是事件中的动词或者动词词组,而事件中存在的依赖元素,对结果的影响是较小的。另外,更深层的事件表达向量代替处理时间序列的神经网络中的事件向量,提升了结果精准度。