事件抽取是信息抽取中的一个较为复杂的课题。在实际的工业管理软件领域中,事件抽取在处理客户投诉等工作中具有极高的应用价值,能够帮助企业实现产品的快速更新迭代和保持用户粘性。事件抽取不仅是目前自然语言处理的研究热点和难点,也在知识图谱相关任务中发挥着重要作用。事件抽取的任务目标是将非结构化的自然语言文本进行结构化的处理,从中自动抽取用户所需要和关注的事件信息并进行存储。目前BERT为代表的预训练模型能很好地处理多项NLP任务,但在事件抽取相关任务中的效果还有待进一步提升。如何提升事件抽取模型的性能,打破独立文本处理的局限性,提升开放域事件抽取的效果,是研究者们面临的重大挑战。本文对事件抽取任务进行了研究,在预训练模型上进行改进并将其应用到实际场景中,主要工作如下:（1）本文将Ro BERTa-wwm作为基线模型,针对触发词提取任务和论元提取任务分别做出改进。在触发词提取模型中利用标注数据构建触发词知识库,在触发词提取任务中将句子中的词与知识库中的触发词进行匹配,将匹配结果作为额外的文本特征进行模型训练,从而提高触发词提取的效果。在论元抽取中采用条件Layer Normalization来控制Transformer的生成行为,将各词到触发词的相对距离作为特征,将触发词作为Layer Normalization的条件输入,让整个句子融入触发词的语义信息,从而提高论元抽取的效果。（2）针对事件抽取领域数据集比较匮乏的问题,本文在实验中采用两个公开的开放域数据集,在实际应用场景中采用的是来自企业投诉的自制数据集,并使用同义词替换的方式进行数据增强。本文通过对比实验,对模型的改进和数据增强的有效性进行了验证和评估。（3）改进模型采用PGD对抗训练算法,同时在训练平滑阶段采用随机权重平均（SWA）优化方法,来提高模型的鲁棒性和泛化性能,并用对比实验加以证实。（4）将改进模型从开放域迁移到特定领域,进行模型迁移前后的对比实验,分析模型迁移的效果。（5）本文将事件抽取技术应用于某车辆配件企业客户关系管理平台中,对收集到的非结构化的客户投诉数据进行事件抽取,提取出结构化的事件信息,自动填写事件信息表单并以知识图谱的形式展示。通过此应用,售后部门可以高效地处理客户投诉,研发部门能够针对反馈意见及时进行技术改进和产品更新,从而实现本文的应用价值。