事件抽取是自动获取知识的重要途径，也是一项经典的自然语言处理任务。然而在实践中，获取高质量的标注数据需要耗费大量的人力，这使得现有的基于监督学习的方法在面对大量未定义的新事件类型时表现不佳。面对零样本事件的困境，一些半监督的方法被提出。但是这些方法要么需要预定义的事件类型作为启发规则，要么只具备了区别已知与未知事 件的能力，无法进一步归类发现的未知事件。为此本文提出了一种基于对比学习与数据增强的零样本事件抽取模型，通过对事件描述的重构与复写， 自动为无监督的对比学习提供训练样本。只需要部分的已知事件类别标准数据，我们的模型便可以从大量文本中自动发现并归类新的事件类型。实验表明，我们的方法在保持对已知类别事件识别能力的同时，能够显著提升对未知事件类别识别的准确率。
