药物关系抽取(Drug-Drug Interaction Extraction,DDIE)是一项使用文本处理技术从非结构化文本中抽取出药物间关系信息的任务,其研究成果对保证药物数据库的实时更新和高覆盖率具有重要意义。本文以生物医学领域的文本为研究对象,主要针对DDIE任务开展如下相关研究工作:(1)针对现有词嵌入层语义信息表达不准确和特征维度设置不合理的问题,提出一种融合上下文语境信息的词表示模型(Word Embedding with Context Information,WECI)。该模型从正向和反向两个语法依赖方向使用长短时记忆网络捕获每个词语的上下文语境信息,使用全连接层将词语和语境信息进行融合以获得各词语真实语义的向量化表示。WECI模型在Sem Eval-2013 Task 9数据集上执行DDIE任务获得了70.14%的F值,取得了高于基准词表示法8.51%和优于现有经典分布式向量表示法的性能。(2)针对现有模型在获取人工特征时借助的自然语言处理工具精度有限和DDIE数据集类别不均衡的问题,提出了一种基于复合卷积网络的药物关系抽取模型(Hybrid Convolutional Neural Network,HCNN)。该模型由传统卷积和空洞卷积组成,前者捕获连续上下文中的语法依赖特征,后者捕获间隔距离较远的上下文之间的语法依赖关系,这是首次在DDIE任务上应用空洞卷积的研究工作。同时在模型训练时,提出一种基于focal loss进行改进的目标函数完成参数学习。本模型在DDIE任务上获得了75.48%的F值,该结果优于目前公开发表的DDIE先进模型1.98%。(3)由于HCNN模型对正负样本划分的能力有限,提出一种基于特征融合块和动态路由机制的两阶段药物关系抽取模型。此方法将DDIE五分类任务分为两个阶段:首先进行二分类的药物对关系检测,筛选出存在药物相互作用关系的样本。然后进行药物关系分类,进一步分析筛选出的样本以判断其所属关系类别。上述两阶段均使用本章提出的基于特征融合块和动态路由机制的药物关系抽取模型进行处理。该模型在DDIE任务获得了78.08%的F值,该结果优于现有先进的DDIE高效模型。本文提出的WECI模型可应用于生物医学领域文本处理任务的词表示阶段,同时,提出的两个药物关系抽取模型对高效的发现和收集DDI知识具有重要意义,也将对于医药安全事故的减少和药物治疗的成功等方面起到一定程度的助力作用。