通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究。结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能。同时，在训练中引入事件本体信息和困难负样本可以进一步提高性能。基于这些发现，在DivED数据集上微调LLaMA-2-7B模型，在三个零样本事件检测基准上取得了超越GPT-3.5等最新大语言模型的性能。