药物相互作用预测旨在有效地识别两种或者两种以上药物之间的相互作用,以避免药物使用阶段因药物相互作用而导致的药物不良反应。现代医疗环境中多种药物共同使用的现象十分普遍,这使得药物相互作用的预测在药物开发和临床应用上都有着极其重要的地位。传统的基于体内体外实验的预测方法存在实验规模有限、耗费劳动力等缺点。随着互联网和计算机技术的发展以及多种药物数据库的建立起来,基于计算机的自动化药物相互作用预测方法成为重要的预测手段。近几年来,知识图谱作为一种数据集成和表示的工具,引起了研究者们的广泛关注,基于知识图谱增强的深度学习模型可以有效提升下游任务的性能。在生物医学领域,也有许多关于药物的大规模知识图谱被建立,它们的建立为基于图谱挖掘的药物相互作用预测研究提供了数据资源。现有基于计算机的药物相互作用预测方法主要从多数据源中提取药物信息,而后基于提取到的信息将药物相互作用预测问题视为二分类问题。然而,由于提取的药物信息以及数据集存在不完整性和不确定性,二分类预测模型很难基于这些信息清晰地划分正负样本的边界。另一方面,现存的方法通常只关注药物自身的属性信息,却没有同时考虑药物实体与其它生物实体之间的关系。为了增强细粒度的药物相互作用预测而非简单的药物相互作用存在性的判断,现有的方法往往提取多种数据来构造药物特征,但是却没有通过自动化的方法进行特征的高效融合。目前细粒度的药物相互作用类型的预测性能还有很大的可提升空间。为了解决以上问题,本文进行了如下的研究工作:（1）针对现有方法将药物相互作用预测问题建模为二分类问题中存在的正负样本边界划分的不确定问题,本文提出基于粒计算三支决策和知识图谱嵌入的药物相互作用预测模型3WDDI。该模型利用三支决策将药物相互作用预测问题建模为不确定决策问题,并引入外部药物知识图谱作为药物的补充信息来增强预测性能。在三支决策的边界划分阶段,3WDDI以药物的化学子结构特征作为药物特征,并以卷积神经网络模型作为决策函数将药物对样本划分为正域、副域、边界域3个区域。而后在延迟决策阶段,模型以药物在知识图谱中对应实体的嵌入向量作为特征来对边界域中样本进行决策。实验结果显示本文提出的模型在多个分类指标上面的性能优于对比模型。（2）针对现有方法只关注药物自身的属性信息而忽略药物实体与其它生物实体之间的关系信息的问题,以及缺少自动化的特征融合方法的问题,本文提出一种基于知识图谱嵌入和注意力机制的药物相互作用预测模型DANDDI。该模型首先从多数据源获取药物的4种局部属性信息,包括药物化学子结构、药物靶标、药物激酶、药物代谢通路属性,并基于4种属性相似性构造4种药物的局部表示。同时该模型获取外部知识图谱的子图,并通过知识图谱嵌入算法Compl Ex编码药物与其它生物实体的关系信息作为药物的全局表示。最后,基于药物的多种局部表示和全局表示,本文通过带注意力融合机制的多通道深度神经网络为不同药物表示的重要性分配权重并完成最终的药物相互类型的预测。实验结果显示,本文所提出的模型在多个性能指标上优于同类型的模型。