事件共指消解任务主要是判断不同事件提及是否指向同一件事件。事件共指消解不仅能有效缓解事件抽取任务中存在的信息冗余问题，而且为事件内容补全提供了有效途径。尽管许多学者利用深度学习方法对事件共指消解进行了大量研究。但是大部分事件共指消解模型中仍然存在显式信息表示不足、论元噪声引入以及共指事件分布稀疏等问题。针对上述问题，提出了一种利用显式论元信息和重构事件链的端到端事件共指消解方法。首先，使用名为OneIE事件抽取模型提取事件的触发词和论元以获取事件的结构化信息；随后，使用Transformer编码器对事件提及上下文进行表示，并将置信分数引入论元信息编码以缓解其可能带来的误差传递；同时，采用门控机制对论元在触发词的水平和垂直方向上的信息进行分解，并根据论元和触发词的相关系数融合两个方向的信息，过滤论元中的噪声；然后，使用前馈网络计算事件提及对共指得分；最后，通过重构事件链验证事件提及的合法性以纠正由共指事件稀疏性带来的模型训练结果偏差。为了验证方法的有效性，本文基于数据集ACE2005进行实验。结果表明，本文模型在端到端事件共指消解任务上具有一定的先进性，其中CoNLL和AVG指标平均高出基线模型5.67%和6.24%。
