近年来,医学大数据规模在迅速增长,不同医学实体对象、关联及其实体的属性信息构成了一个巨大的医学异构信息网络。以目前的医学水平,想要为每种疾病研究出专门的药物,比较困难。很多相似的疾病之间共用同一种药物,药物与其他相似药物的协同使用往往能够治疗不同的疾病。在医学异构信息网络中,利用深度神经网络和图神经网络可以将医学实体节点的拓扑结构信息和属性特征信息表示成更加精确的向量节点或更加简洁的子结构特征,通过向量节点之间的关联能够更加准确预测异构信息网络中医学实体之间所缺少的关联关系。因此在医学异构信息网络中,通过寻找药物与疾病之间的联系,预测药物与疾病之间潜在的关系。本文主要在医学异构信息网络和医学属性异构网络中应用不同的表示学习方法对药物与疾病关联关系进行预测,具体研究工作如下:第一,在医疗异构信息网络中,结合注意力机制提出一个药物与疾病之间能够生成不同权重的框架,并将所生成不同权重节点进行学习并预测节点之间的关联关系。在医学领域中,医学实体之间存在很多不同类型的关联关系。实体之间存在的联系具有异构性,其中包括疾病信息、诊断测试和药物结构等医学类别,通过寻找药物与疾病之间的联系,预测药物与疾病之间的潜在关联,提出了一个基于医学异构信息网络的药物与疾病关联预测框架MHIN-MD。该框架利用医学异构信息网络中大量的疾病、药物、诊断等信息,利用神经网络学习医学实体节点的表示向量,将学习到的医学节点向量通过不同的分类器进行训练,预测药物与疾病之间存在的潜在联系。在MIMIC-Ⅲ和Drug Bank数据集上进行大量实验,实验结果表明了MHIN-MD在药物与疾病的关联预测方面的有效性。第二,构建一个含有医疗属性信息的属性异构网络,将属性信息作为节点的特征进行学习并预测医疗节点之间的关联关系。在构建医学异构信息网络时,充分考虑异构信息网络中医学实体节点的属性信息,进而提高医学异构信息网络中节点向量表示的准确性。然而现有研究往往忽略了异构网络中医学实体节点的属性信息,导致学习到的医学实体节点向量表达的语义不够丰富,不能充分代表节点的特征。针对这一问题,提出了一个基于医学属性异构网络表示学习的药物与疾病关联预测框架MHGD-D。该框架通过随机游走方式对医学属性异构网络中药物与疾病节点进行相邻节点的固定长度采样,并将其按照不同的节点类型进行分组,然后通过图神经网络将医学实体节点表示成向量,同时给不同类型的属性信息进行交互编码,生成属性嵌入到向量,将属性嵌入向量与节点向量进行融合生成含有属性信息的节点向量。最后,利用分类器对医学实体中的药物与疾病之间的关联关系进行预测。在MIMIC-III数据集和Drug Bank数据集上进行大量实验,实验结果表明了MHGD-D在药物与疾病关联预测方面的有效性。