1.一种中文事件同指消解方法，其特征在于，包括步骤：
S10、对需要进行事件同指消解的原始文本中的每个文档分别调用分词工具、实体识别工具、句法分析工具和事件抽取工具进行词语切分，句法分析和事件抽取，得到测试语料事件集合；
S20、以文档为单位，分别从预先标注了各类信息的标注语料集合和测试语料集合中抽取所有事件对及其特征信息，得到标注语料特征集合1、2和测试语料特征集合1、2；
S30、根据标注语料特征集合1中各个事件对的特征，训练一个最大熵事件同指消解模型，再利用所述最大熵事件同指消解模型识别测试语料特征集合1中每个事件对的同指关系，得到事件同指关系第一集合；
S40、根据标注语料特征集合2中各个事件的特征，训练一个最大熵事件论元识别模型与条件随机场事件论元识别模型，利用所述最大熵事件论元识别模型识别测试语料特征集合2中的每个事件的论元，得到事件论元第一集合1，利用所述条件随机场事件论元识别模型识别测试语料特征集合2中的每个事件的论元，得到事件论元第一集合2；
S50、以文档为单位，对事件同指关系第一集合中的所有事件对以及事件论元第一集合
1中所有事件，利用传递性推理方法、事件触发词推理方法、事件距离推理方法、论元中心词推理方法和论元角色推理方法进行事件同指消解和事件论元识别的联合推理，得到事件同指关系集合和事件论元识别集合。
2.根据权利要求1所述的中文事件同指消解方法，其特征在于，所述步骤S10还包括：
S101、对需要进行事件同指消解的原始文本中的每个文档调用分词工具切分词语，得到用空格分隔词语的第一文档集合；
S102、调用实体识别工具对第一文档集合中的每个文档识别文档中的实体并标注实体类型，得到第二文档集合；
S103、对第二文档集合中的每个文档调用句法分析工具进行句法分析，得到第三文档集合；
S104、对第三文档集合中的每个文档调用事件抽取工具抽取事件及其属性，得到测试语料事件集合。
3.根据权利要求1所述的中文事件同指消解方法，其特征在于：所述步骤S20中标注语料特征集合1与测试语料特征集合1用于事件同指消解，且不包含事件论元信息；标注语料特征集合2与测试语料特征集合2用于事件论元识别，且不包含事件同指关系信息。
4.根据权利要求2所述的中文事件同指消解方法，其特征在于，所述步骤S20还包括：
S201、分别从标注语料集合和测试语料集合中，以文档为单位抽取每个文档中的任意两个事件E1和E2，两两事件构成一个事件对(E1，E2)，所有从标注语料集合中抽取的所述事件对构成标注语料事件对集合，所有从测试语料集合中抽取的所述事件对构成测试语料事件对集合；
S202、分别从标注语料集合和测试语料集合中，以文档为单位抽取每个文档中的候选事件论元，所有从标注语料集合中抽取的候选事件论元构成标注语料论元集合，所有从测试语料集合中抽取的候选事件论元构成测试语料论元集合；
S203、为标注语料事件对集合中的每个事件对从标注语料集合中抽取所述事件对的基本特征，并加入已标注的事件同指关系，构成标注语料第一特征集合1，为测试语料事件对集合中的每个事件对从测试语料集合中抽取所述事件对的基本特征，构成测试语料第一特征集合1；其中，每个事件对(E1，E2)的基本特征集合如下：
<1＝E1的类型-E2的类型><2＝E1的子类型-E2的子类型><3＝E1的形态-E2的形态><4＝E1的极性-E2的极性><5＝E1的泛型-E2的泛型><6＝E1的时态-E2的时态><7＝E1的触发词><8＝E2的触发词><9＝E1的触发词词性><10＝E2的触发词词性><11＝E1触发词的句法树深度><12＝E2触发词的句法树深度><13＝E1触发词的词语位置><14＝E2触发词的词语位置><15＝E1所在语句><16＝E2所在语句><17＝E1的实体个数><18＝E2的实体个数>；
其中，事件同指关系用数字表示，1表示具有同指关系，0表示不具有同指关系；
S204、为标注语料事件对集合中的每个事件对从标注语料集合中抽取的所述事件对的关系特征，和标注语料第一特征集合1中的所述事件对的基本特征合并，添加到标注语料特征集合1；为测试语料事件对集合中的每个事件对从测试语料集合中抽取所述事件对的关系特征，和测试语料第一特征集合1中的所述事件对的基本特征合并，添加到测试语料特征集合1；其中，每个事件对(E1，E2)的关系特征集合如下：
<19＝E1类型和E2类型是否相同(0不相同，1相同)><20＝E1触发词与E2触发词语义是否相似(0不相似，1相似)><21＝E1触发词词性与E2触发词词性是否一致(0不一致，1一致)><22＝E1实体与E2实体相同个数><23＝E1实体与E2实体不相同个数><24＝E1实体类型与E2实体类型相同个数><25＝E1实体类型与E2实体类型不相同个数><26＝E1触发词到E2触发词距离><27＝E1触发词的句法分析树深度与E2触发词句法分析树深度差><28＝E1与E2所在语句差><29＝E1与E2间隔的事件个数><30＝E1与E2间隔的语句差>；
其中，两个触发词词语相似度使用语义相似度计算和词语匹配规则；
S205、为标注语料论元集合中的每个论元从标注语料集合中抽取所述候选事件论元的基本特征，并加入已标注的事件论元，构成标注语料特征集合2；为测试语料论元集合中的每个论元从测试语料集合中抽取所述候选事件论元的基本特征，构成测试语料特征集合2；
其中，每个候选论元的基本特征集合如下：
<1＝候选论元><2＝实体类型><3＝事件触发词><4＝触发词词性><5＝实体和触发词在语法树中的深度差><6＝触发词的前一词+词性><7＝触发词的后一词+词性><8＝实体前一词+词性><9＝实体后一词+词性><10＝实体与触发词的相对位置(前或后)><11＝实体到触发词的距离><12＝实体到触发词的句法分析树><13＝触发词和当前实体的依存路径>；
其中，事件论元用数字表示，0表示该候选论元不是事件的论元，正数表示该论元的角色类型。
5.根据权利要求1所述的中文事件同指消解方法，其特征在于，所述步骤S30还包括：
S301、把标注语料特征集合1中的特征作为输入，调用最大熵分类工具训练得到一个最大熵事件同指消解模型，所述最大熵事件同指消解模型包括标注语料特征集合、训练得到的参数和最大熵分类工具；
S302、把测试语料特征集合1中的每个事件对的特征作为输入，调用最大熵事件同指消解模型识别每个所述事件对的同指关系，得到事件同指关系第一集合，所述事件同指关系第一集合中的每个事件对的格式如下：
<是否同指(0表示不同指，1表示同指)，事件E1，事件E2，置信度P>；
其中，是否同指与置信度P是最大熵事件同指消解模型的输出结果，置信度P为一个0-1之间分类结果，表示具有同指关系的概率。
6.根据权利要求1所述的中文事件同指消解方法，其特征在于，所述步骤S40还包括：
S401、把标注语料特征集合2中的特征作为输入，调用最大熵分类工具训练得到一个最大熵事件论元识别模型，所述最大熵事件论元识别模型包括标注语料特征集合、训练得到的参数和最大熵分类工具；
S402、把测试语料特征集合2中的每个候选事件论元作为输入，调用最大熵事件论元识别模型识别每个所述候选事件论元，得到事件论元第一集合1；所述事件论元第一集合1中的每个事件论元的格式如下：
<论元角色类型A(0表示不是论元)，候选事件论元，置信度P>；
其中，论元角色类型A与置信度P是最大熵事件论元识别模型的输出结果，置信度P为一个0-1的分类结果，表示具有A类型的概率；
S403、把标注语料特征集合2中的特征作为输入，调用条件随机场分类工具训练得到一个条件随机场事件论元识别模型，所述条件随机场事件论元识别模型包括标注语料特征集合、训练得到的参数和条件随机场分类工具；
S404、把测试语料特征集合2中的每个候选事件论元作为输入，调用条件随机场事件论元识别模型识别每个所述候选事件论元，得到事件论元第一集合2，所述事件论元第一集合
2中的每个事件论元的格式如下：
<论元角色类型A(0表示不是论元)，候选事件论元，置信度P>；
其中，论元角色类型A与置信度P是条件随机场事件论元识别模型的输出结果，置信度P为一个0-1的分类结果，表示具有A类型的概率。
7.根据权利要求1所述的中文事件同指消解方法，其特征在于，所述步骤S50中涉及事件论元和论元角色的信息由事件论元第一集合1和事件论元第一集合2共同提供。
8.根据权利要求7所述的中文事件同指消解方法，其特征在于，所述步骤S50还包括：
S501、对于事件同指关系第一集合中的任意三个事件E1，E2，E3，如果事件对(E1，E2)和(E2，E3)均为同指事件，则根据事件同指关系具有传递性修改事件同指关系第一集合中的事件对(E1，E3)的同指关系为1，得到新的事件同指关系第一集合；
S502、对于事件同指关系第一集合中的任意一个事件对(E1，E2)，如果E1触发词与E2触发词语义相似度一致，并且E1与E2距离非常近，则修改事件同指关系第一集合中的事件对(E1，E1)的同指关系为1，得到新的事件同指关系第一集合；
S503、对于事件同指关系第一集合中的任意一个事件对(E1，E2)，如果E1与E2所在语句差表示E1与E2在同一句、相邻句、间隔一句，并且这两个事件的类型在文档中出现次数最多，则修改事件同指关系第一集合中事件对(E1，E2)的同指关系为1，得到新的事件同指关系第一集合，或者，E1与E2之间存在1～2个事件，并且这两个事件的类型在文档中出现次数最多，则修改事件同指关系第一集合中事件对(E1，E2)的同指关系为1，得到新的事件同指关系第一集合；
S504、对于事件同指关系第一集合中的任意一个事件对(E1，E2)，在事件论元第一集合
1中找出属于E1的候选论元集合A11和在事件论元第一集合2中找出属于E1的候选论元集合A12，取候选论元集合A11和候选论元集合A12的交集作为E1的论元集合A1；在事件论元第一集合1中找出属于E2的候选论元集合A21和在事件论元第一集合2中找出属于E2的候选论元集合A22，取候选论元集合A21和候选论元集合A22的交集作为E2的论元集合A2；
如果A1与A2中存在语义相似的论元，并且E1触发词与E2触发词语义相似，则修改事件同指关系第一集合中事件对(E1，E2)的同指关系为1，得到新的事件同指关系第一集合；如果A1与A2中存在相同的论元角色，并且该论元角色在高概率论元角色集合ARG中，且E1的触发词与E2的触发词语义相似，则修改事件同指关系第一集合中事件对(E1，E2)的同指关系为1，得到新的事件同指关系第一集合；
S505、对于事件同指关系第一集合中的任意一个事件对(E1，E2)，如果两个事件具有相同的实体类型，并且这两个实体分别在各事件中充当论元，且论元角色在高概率论元角色集合ARG中，则修改事件同指关系第一集合中事件对(E1，E2)的同指关系为1，得到新的事件同指关系第一集合；
以上S501～S505不区分执行先后顺序，实时动态的更新。
9.根据权利要求8所述的中文事件同指消解方法，其特征在于，所述步骤S504中高概率论元角色集合ARG由标注语料特征集合1中取少量数据作为开发集统计得出，具体如下：
司法类事件：审判者、罪行、被告、人物；
受伤或死亡事件：施事者、工具、地点、受害者；
移动类事件：移动者、目的地；
攻击事件：攻击者、目标；
任意类型事件：职位、时间内。
10.一种中文事件同指消解系统，其特征在于：包括事件预处理模块(10)、事件及论元特征抽取模块(20)、事件同指关系识别模块(30)、事件论元识别模块(40)和事件同指消解联合推理模块(50)，所述事件预处理模块(10)包括分词单元(101)、实体识别单元(102)、句法分析单元(103)和事件抽取单元(104)；所述事件及论元特征抽取模块(20)包括事件对抽取单元(201)、事件论元抽取单元(202)、事件基本特征抽取单元(203)、事件对关系特征抽取单元(204)和事件论元基本特征抽取单元(205)；所述事件同指关系识别模块(30)包括事件同指关系模型训练单元(301)和事件对同指关系识别单元(302)；所述事件论元识别模块(40)包括最大熵模型训练单元(401)、事件论元识别单元(402)、条件随机场模块训练单元(403)和事件论元识别单元(404)；所述事件同指消解联合推理模块(50)包括传递性推理单元(501)、触发词推理单元(502)、事件距离推理单元(503)、论元中心词推理单元(504)和论元角色推理单元(505)。