1.一种面向篇章级的事件抽取方法，其特征在于，预先训练机器学习理解模型、学习搜索模型或深度神经网络模型，该抽取方法包括：S1、获取待分析文档；S2、根据所述待分析文档，基于所述机器学习理解模型获取事件类型；S3、根据标注事件类型后的文档，采用所述学习搜索模型或深度神经网络模型获取对应的事件参数类型-实体候选对象的关系对；S4、根据所述事件类型、参数类型和实体候选对象，填充宏观事件模板框架，作为事件抽取结果返回用户，所述机器学习理解模型为门控式注意GA阅读器，其训练过程包括：通过查找表获取事件参数类型查询和训练集中的文档词语的词嵌入，在之后的K层网络中进行处理，第k层网络会从第k-1层网络获取之前的文档嵌入作为输入；每一层的文档词嵌入d i 和参数类型查询词嵌入Q分别使用双向门控循环单元GRU进行转换得到，然后使用门控注意模块进行组合，得到下一层的输入x i ；其中，每一个GA框代表了一个门控—注意力模块，将关注参数类型查询的注意力应用于文档表示；在重复此过程超过K层之后，在文档中为单词计算得分，并使用Softmax()函数转换为单词上的概率分布；最终得到的概率分布用于查询答案的选择，采用学习搜索算法训练所述学习搜索模型，包括：S10、从已标注文档D中随机抽取一个文档d并生成实体、参数类型候选关系对的序列；S20、在随机采样的步长t内，在文档d上执行当前学习到的策略π i ；S30、由在文档d对应的候选关系对在步长t内执行策略π i 后，剩余候选关系对的所有可能策略相对于最佳策略π * 的最小损失对应的策略生成一个新的训练示例，将新的训练样本添加到训练集中；S40、生成k个新的示例后，使用新的训练集重新训练新策略 然后跳回到步骤1；S50、循环N次后获得最终训练策略 其中，N为自定义训练次数，m为自定义采样次数，策略π是用特定候选实体填充特定参数槽的动作映射，π * 是一个人工确认的最优策略，β i ,i＝1,...,N为自定义的策略更新权重。
2.如权利要求1所述的面向篇章级的事件抽取方法，其特征在于，所述深度神经网络模型包括输入层、两个隐藏层和输出层；其中，输入层由模型需要的文本数据特征组成，包含了当前候选实体关系对的信息，输出层为当前候选关系对是否包含在最终模板中的概率值；使用多层的网络结构从输入特征中学习更多复杂的交互信息。
3.如权利要求2所述的面向篇章级的事件抽取方法，其特征在于，所述深度神经网络模型的训练过程包括：S100、使用当前参数W对每个训练样本x i 进行预测，并将预测结果与真实的样本标签y i 进行比较计算损失；S200、通过反向传播过程更新模型参数W，参数更新完成后，进行下一个样本的训练；S300、在所有训练样本执行完成后，使用验证样本集(V,Z)评估当前模型，计算F1得分；如果当前模型F1得分由于历史最高得分F1 best ，那么将这些参数存储为新的最优模型参数W best ，并更新F1 best 为当前F1分数；S400、在k个周期结束后，返回提供历史最优的模型参数W best 。
4.一种面向篇章级的事件抽取系统，其特征在于，预先训练机器学习理解模型、学习搜索模型或深度神经网络模型，该抽取系统包括：获取模块，用于获取待分析文档；学习模块，用于根据所述待分析文档，基于所述机器学习理解模型获取事件类型；搜索模块，用于根据标注事件类型后的文档，采用所述学习搜索模型或深度神经网络模型获取对应的事件参数类型-实体候选对象的关系对；填充模块，用于根据所述事件类型、参数类型和实体候选对象，填充宏观事件模板框架，作为事件抽取结果返回用户，所述机器学习理解模型为门控式注意GA阅读器，其训练过程包括：通过查找表获取事件参数类型查询和训练集中的文档词语的词嵌入，在之后的K层网络中进行处理，第k层网络会从第k-1层网络获取之前的文档嵌入作为输入；每一层的文档词嵌入d i 和参数类型查询词嵌入Q分别使用双向门控循环单元GRU进行转换得到，然后使用门控注意模块进行组合，得到下一层的输入x i ；其中，每一个GA框代表了一个门控—注意力模块，将关注参数类型查询的注意力应用于文档表示；在重复此过程超过K层之后，在文档中为单词计算得分，并使用Softmax()函数转换为单词上的概率分布；最终得到的概率分布用于查询答案的选择，采用学习搜索算法训练所述学习搜索模型，包括：S10、从已标注文档D中随机抽取一个文档d并生成实体、参数类型候选关系对的序列；S20、在随机采样的步长t内，在文档d上执行当前学习到的策略π i ；S30、由在文档d对应的候选关系对在步长t内执行策略π i 后，剩余候选关系对的所有可能策略相对于最佳策略π * 的最小损失对应的策略生成一个新的训练示例，将新的训练样本添加到训练集中；S40、生成k个新的示例后，使用新的训练集重新训练新策略 然后跳回到步骤1；S50、循环N次后获得最终训练策略 其中，N为自定义训练次数，m为自定义采样次数，策略π是用特定候选实体填充特定参数槽的动作映射，π * 是一个人工确认的最优策略，β i ,i＝1,...,N为自定义的策略更新权重。
5.一种存储介质，其特征在于，其存储有用于面向篇章级的事件抽取的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～3任一项所述的面向篇章级的事件抽取方法。
6.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～3任一项所述的面向篇章级的事件抽取方法。
