随着互联网时代信息体量的爆炸式增长,投资者难以快速从海量的金融新闻文本中获取有价值的投资信息。论文以金融新闻文本为研究对象,对事件抽取技术展开了深入地研究,构建了一个面向金融领域的新闻事件抽取系统,以便帮助投资者从海量的新闻文本中快速获取上市公司事件信息。主要的研究工作如下:提出了基于注意力机制的联合事件抽取算法。该算法使用ERNIE与BiGRU作为共享编码层,通过序列标注的方式识别出触发词之后,改进注意力机制,将触发词的特征作为注意力机制的查询向量,强化事件触发词与事件元素之间的关联,提高对事件元素的识别效果。实验结果表明,基于注意力机制的联合事件抽取算法训练的模型在事件元素抽取任务中F1值达到了67.4%,有效的提高事件元素的抽取效果。为了解决数据稀少的问题,提出了基于伪标签的数据增强算法。一方面,传统的数据增强算法在标注数据时太过肯定,会引入大量的噪声数据;另一方面,采用人工标注的方式,往往数据集规模较少。对此,研究并提出了一种基于伪标签的数据增强算法,通过知识库链接与半监督学习获取未标注数据的伪标签,使用置信判别对伪标签筛选,实现数据增强。实验结果表明,基于伪标签的数据增强算法训练的模型整体F1值达到了72.8%,相比于半监督学习与知识库链接的数据增强算法,能更有效的获取到高质量数据。设计与开发了一个面向金融领域的新闻事件抽取系统。将以上算法应用到实际项目中,使用Django框架构建了一个面向金融新闻文本的事件抽取系统。从实际运行测试情况来看,系统能够快速准确的抽取新闻中上市公司的相关事件信息,实现了预期功能。