Die Ereignisextraktion liegt im Kern der Investitionsanalyse und Vermögensverwaltung im Finanzbereich und hat daher erhebliche Aufmerksamkeit erhalten. Der CCKS-2019-Kongress für Wissensgraphen und semantisches Computing in China hat eine Evaluierungs-Competitions für die Aufgabe der Ereignis-Entitätsextraktion im Finanzbereich ausgerichtet. In dieser Aufgabe konzentrieren wir uns hauptsächlich darauf, die Ereignis-Entitäten präzise zu extrahieren und gleichzeitig alle entsprechenden Ereignis-Entitäten effektiv zu erfassen. In diesem Artikel stellen wir ein neuartiges Modell vor, die Sequence Enhanced BERT Networks (kurz: SEBERTNets), das die Vorteile von BERT beibehält und gleichzeitig sequenzielle semantische Informationen erfassen kann. Darüber hinaus, inspiriert durch Empfehlungssysteme, schlagen wir Hybrid Sequence Enhanced BERT Networks (kurz: HSEBERTNets) vor, das einen Multi-Channel-Rückrufansatz nutzt, um alle entsprechenden Ereignis-Entitäten effektiv zu ermitteln. Die experimentellen Ergebnisse zeigen, dass die F1-Score von SEBERTNets in der ersten Phase 0,905 beträgt und der F1-Score von HSEBERTNets in der ersten Phase 0,934 erreicht, was die Wirksamkeit unserer Ansätze belegt.