事理图谱本质上是一个事理逻辑知识库,描述了事件之间的演化规律与模式。在事件预测、常识推理、商业推荐等领域具有重要的应用价值。事理图谱定义为一个有向有环图。图中的结点代表事件,边代表事件间的逻辑关系,主要包括顺承关系、因果关系。构建事理图谱包括两项任务,事件抽取和事件关系识别。在进行事理图谱构建的过程中,现有的自然语言处理预训练-微调模型仅编码字词之间的关系,而忽略了字词本身的内部含义。本文将义原信息融合到现有的预训练微调模型中,并基于义原融合的方法对事理图谱构建工作展开研究。事件抽取是识别出事件触发词并判断事件的施事方和受事方。针对事件抽取问题,本文采用基于Bert的序列标注方法。义原作为最小的语义单位,对于每个字词最底层的含义进行标注。本部分将义原信息融入到预训练模型微调模型中,提出了基于义原矩阵分解的模型BBSMF和基于字义原预测BBSP的模型。两种模型的主要思想是在进行事件抽取任务时同时进行义原任务训练,使得义原任务调整Bert的编码结果,从而在事件抽取问题上取得更好的效果。事件抽取任务采用上述两种模型进行实验,结果显示融合义原的两种模型比融合前基于Bert的模型F1值均有提高。事件关系识别是对抽取出的事件进行特定关系的判断。针对事件顺承关系识别问题,本文采用基于Bert的句子级分类方法。由于上述两种义原融合方法是对字进行相关融合,不适用于句子级分类任务,故本部分提出了句子级义原融合的BBSSP模型。主要思想是通过Bert句子分类的标志位来预测序列中存在的义原,从而使得拥有顺承关系、逆顺承关系的两个句子序列在特征空间中更加相似,并使他们与无关系的两个句子序列区分开来。事件顺承关系识别任务采用上述模型进行实验,结果显示融合义原的模型相比于Bert模型的F1值有所提高。