互联网时代导致了人们获得的资讯中存在大量冗余的或者无意义的信息,然而很多用户使用网络的目标是希望能够清晰的了解某一件事情的“因果”,避免浏览不相关或者重复信息。除此之外,用户希望可以从繁多的网页信息中快速准确的找到自己关心的“因果”信息。那么对文本中的“因果”相关任务探究便十分必要。本文对面向新闻领域的因果关系判断方法进行了探究,首先提出了基于句子成分的论元识别方法,在得到论元的基础上提出基于句法和语义信息融合的因果关系判断方法,最后构建出的因果知识库可用于信息检索和问答等多种应用中。首先,论元识别任务是需要从输入的自然语言语句中选择出可以表达关系的两个句子成分,这里所指句子成分为一段连续的、可以表达一个完成语义的文字序列。本文将输入句子进行句法树表示,采用子树提取算法获取候选论元,选择机器学习模型进行论元识别。本文将识别出的论元对用于因果关系判断。而本文所指的因果关系判断任务主要是判别输入的两个论元之间是否存在事实性的、明确的影响,是二分类任务。分析任务的特点之后可以看出除了论元序列本身的语义信息外,输入论元的句法结构信息对因果关系判断也有影响。因此本文从两个方面进行尝试:一个是基于句法与语义信息的因果判断,选择支持向量机模型并且使用由基本核函数和树核函数组合的复合核函数,抽取的样本特征包括词汇化特征、词向量语义特征和树形句法结构化特征。二是基于融合句法信息的卷积神经网络的因果关系判断,本文使用句法树表示输入论元,且将句法树上每个“词语”节点映射到词向量空间中,那么卷积神经网络模型中相应的卷积操作会选择树形卷积核完成,之后也将从树形窗口中选出数值最大的元素作为池化操作的输出。本文在对论元之间是否存在因果判断之后进行应用上的扩展,构建了因果知识库。因果知识库构建的关键任务就是因果对抽取,从抽取的输入和输出形式可以看出因果对抽取任务和序列标注任务有很大相似性。所以本文借鉴了序列标注任务思想,采用了条件随机场模型、循环神经网络模型、双向长短记忆神经网络模型已经条件随机场和双向长短记忆神经网络组合模型进行了因果对抽取实验方法探索。