信息抽取,自然语言处理领域的一项研究热点,旨在从非结构化的文本中提取用户感兴趣的信息,并以结构化形式保存。事件抽取是信息抽取的一项重要研究内容,面向金融领域的事件抽取主要研究如何从非结构化的金融新闻文本中抽取用户感兴趣的热点金融事件,并以结构化的形式呈现。传统的事件抽取任务针对每一种事件类型预先确定事件模板以及一定数量的标注语料,只能抽取指定类型的事件。而金融领域关注的事件类型较为广泛,从政治到体育,甚至自然灾害,因此,无法事先确定具体事件类型,这对传统的事件抽取方法提出了挑战。为此本文面向金融新闻文本,将事件抽取分解成基于文本聚类的事件识别和基于事件聚类簇的事件抽取,提出一种无监督事件识别与抽取框架,实现准确,开放的金融事件抽取。本文的主要工作包括:(1)为了发现并识别热点金融事件,我们提出了一种基于文本聚类的事件识别算法。该算法设计了一种文本特征提取方法能够从新闻文本中提取事件层面的信息从而实现事件粒度的聚类。为了验证事件识别算法的有效性,我们构建了标注数据集。实验结果表明,我们提出的事件识别算法能够达到92%的准确率。(2)在热点金融事件识别的基础上,我们提出一种基于概率模型的事件抽取算法。算法主要利用句子级别的通用语义分析技术以及聚类文本的丰富冗余性实现无监督的事件抽取。实验结果表明,我们提出的事件抽取方法能够达到73%的准确率。(3)基于前面提出的事件识别与抽取算法,我们设计并实现了一个面向金融新闻文本的热点事件抽取系统,用于实时获取热点金融事件的结构化信息。总体来说,本文面向金融新闻文本,提出了一种无监督的热点事件识别与抽取算法。并在此算法基础上,设计并实现了一个热点金融事件抽取系统,用于实时发现热点金融事件并得到事件的结构化表示。