一句话定义：事件抽取（Event Extraction）是让机器从非结构化文本中识别出“发生了什么事”，并把事件类型、参与方、时间、地点、结果等要素整理成结构化记录的任务。
打个比方：你让一个实习生读完一篇新闻，然后填一张空白表格，表头有“事件类型、触发词、时间、地点、主角、受影响方、结果”几栏。他读完写：类型＝并购，时间＝本周二，主角＝A 公司，对象＝B 公司，金额＝未披露。事件抽取要做的就是把这套动作自动化。表格里的每一栏在术语里叫“论元角色”（argument role），最关键的线索词叫“触发词”（trigger），比如“收购”“辞职”“起诉”“发布”这类动词或名词，往往直接决定了这是什么类型的事件。
技术流程通常分两步：先做事件检测，判断句子里有没有事件、属于哪个类型（这一步常依赖触发词识别）；再做论元抽取，把各个角色对应的文本片段找出来并归类。两阶段串起来做叫流水线（pipeline）方法，简单但前一步的错误会往后传；把两步合在一个模型里做叫联合抽取，能互相补信息。真实文本的难点集中在几处：论元常常不在同一句里、代词指代需要还原、否定和推测语气要区分（“并未收购”不能抽成并购事件）、同一篇文章里可能挤着好几件事。所以现在很多方案会先做句子级抽取，再跨句做事件融合与去重。
和相邻概念的区别，一张表最清楚：
| 任务 | 输出什么 | 例子 |
|---|---|---|
| 命名实体识别（NER） | 文本中的实体及其类别 | “张三”是人名，“某银行”是机构 |
| 关系抽取（Relation Extraction） | 两个实体之间的二元关系 | 张三—任职于—某银行 |
| 事件抽取 | 一个带类型的事件及其多个论元 | 辞职事件：人＝张三，机构＝某银行，时间＝昨日 |
可以看出，NER 提供零件，关系抽取连接两个零件，事件抽取则是把一堆零件组装成一条完整的事件记录。它们都属于信息抽取（Information Extraction）这个更大的范畴。
实际意义在哪？对普通职场人，新闻客户端推送“某公司突发公告”、企业风控系统预警“供应商被列为被执行人”，背后往往就是事件抽取在把海量文本变成可查询的字段。对从业者，它的价值在于把文档库变成事件库：舆情监控要按事件类型统计频次和情感走向，金融投研要把公告里的增减持、回购、业绩预告抽成表，合同和工单系统要把“谁承诺了什么、截止到哪天”变成可追踪的条目，知识图谱和AI 词典：检索增强生成">检索增强生成也需要它提供结构化的上下文。做工程时，别指望一次就把论元抽全，通常先用少量事件类型跑通闭环、把标注规范写清楚，再逐步扩类型；具体的评测指标与工具能力，以官方页面为准。