随着医疗水平的提高,使用多种药物联合治疗复杂疾病的情况越来越普遍。病人同时服用多种药物可能会导致药物的药效发生改变,为防止因此产生的医疗事故,挖掘潜在的药物-药物相互作用（Drug-Drug Interactions,DDIs）受到了广泛关注。但目前已知的DDIs比较少,通过传统湿实验发现潜在DDIs又耗时耗力。近年来,机器学习被应用于预测DDIs,现有的基于机器学习的预测方法大多能准确地预测DDIs,但还存在许多问题。比如,基于链接预测的方法通常忽略了人体内多种生物实体对DDIs的影响;基于相似度的方法不能有效整合药物和多种生物实体之间的关联信息;生物医学知识图谱中包含了药物和多种生物实体间的关联信息,利用知识图谱嵌入方法可以捕获这些关联信息,提高模型预测DDIs的能力,但传统知识图谱嵌入方法难以处理生物实体间复杂的关联模式,且基于知识图谱的方法通常忽略了药物化学属性对DDIs的影响。针对以上问题,本文提出了基于生物医学知识图谱和药物分子结构的药物-药物相互作用预测模型（Drug-drug interactions prediction model based on biomedical Knowledge Graph and drug Molecular Structure,KGMS）。首先,KGMS优化了从知识图谱中提取药物特征的方式,利用基于节点类型感知的多关系图神经网络（Nodetype-Aware based Multi-relational Graph Neural Networks,NAMGNN）学习药物的生物医学知识图谱特征,NAMGNN可以挖掘生物医学知识图谱中复杂的关联模式,从而整合药物与不同类型的生物实体之间的关联信息。其次,考虑到药物的化学属性对DDIs的影响,KGMS利用图同构网络（Graph Isomorphism Networks,GIN）从药物分子图中学习药物的分子结构特征。然后,KGMS通过自注意力机制融合药物的生物医学知识图谱特征和分子结构特征,以实现两种药物特征之间的信息交互,并将融合后的药物特征用于DDIs预测模型的构建。KGMS可以完成两种DDIs预测任务:（1）预测待测药物对之间是否存在DDIs;（2）预测待测药物对之间DDIs的类型。实验结果表明,KGMS在两种预测任务上的表现均优于现有的DDIs预测方法,通过融合药物的生物医学知识图谱特征和分子结构特征可以提升KGMS预测DDIs的性能,且基于自注意力机制的特征融合方式的表现优于传统的特征融合方式。