"事件作为知识图谱构建与事理认知计算的核心单元，其结构化抽取与关系挖掘技术已成为自然语言处理领域的关键研究方向。本书立足于作者团队在事件抽取方向的系列研究成果，结合国际前沿进展，构建了涵盖“要素抽取—表示学习—关系推理”全链条的事件抽取与事件关系识别框架。 本书共分7章。第1章介绍事件识别及其要素抽取的基础知识、相关任务，并区分不同任务的差异；同时阐述事件其他相关任务，包括事件表示学习、事件主题与主题事件抽取、事件关系抽取。第2章介绍事件及其关系抽取语料库。第3章介绍语句级事件抽取技术。第4章阐述面向无触发词的篇章级事件论元抽取技术。第5章介绍面向复杂论元的篇章级事件论元抽取技术。第6章探讨事件表示学习与主题事件抽取技术。第7章介绍事件关系抽取技术。 本书适合作为计算机相关专业高年级本科生和研究生的教材，也可作为承担信息抽取相关任务的人员或应用开发人员的参考资料。 "

前言 在信息爆炸的数字时代，事件作为知识图谱构建与事理认知计算的核心单元，其结构化抽取与关系挖掘技术已成为自然语言处理领域的关键研究方向。本书立足于作者团队在事件抽取方向十余年的研究成果，结合国际前沿进展，首次构建了涵盖“要素抽取—表示学习—关系推理”全链条的事件抽取与事件关系识别框架。 通过多年的事件抽取研究，我们发现事件抽取的应用场景较为广泛，可以针对语句、篇章抽取事件信息，可以抽取指定类型的封闭域事件和任意结构需求的开放事件，可以抽取无触发词的事件，还可以抽取只由实体充当的事件论元信息，以及由实体、复杂文本片段(称为复杂论元)充当的事件论元信息。这些内容聚焦于从文本中抽取与事件相关的要素，我们称之为要素抽取。 众所周知，事件是承载知识的重要载体，抽取的事件信息及获取的事件表示可以应用于许多下游任务，为此我们聚焦于从文本中结合事件的上下文学习事件的高质量表示。同时，根据应用需求，拓宽事件抽取的目标，提出事件主题和主题事件的概念以及相关研究问题。随后锚定主题事件(能够概括/代表事件主题的事件)，专门研究主题事件的抽取技术。因此，基于事件要素和其上下文，我们进一步关注学习事件的丰富语义，称之为表示学习研究。 为了实例化事件抽取的意义，我们结合财经院校的特点，聚焦财经领域，探讨该领域蕴含的事件关系，研究相应的事件关系抽取技术。我们将这个研究称为基于事件要素抽取和表示学习的关系推理。 根据上述研究思路，本书内容分为7章。 第1章介绍事件识别及其要素抽取的基础知识、相关任务，并区分不同任务的差异，包括事件本体归纳、事件抽取、话题检测和跟踪；同时阐述事件其他相关任务...