随着互联网的迅速普及,生物医学文献的数量日益飞速增长,使得如何从海量的非结构化生物医学文献中获取相关有益知识以便研究人员使用成为一大难题。因此,生物医学信息抽取技术应运而生。而生物医学事件抽取是生物医学信息抽取中的一个重要基础任务,旨在抽取细粒度的生物实体之间的多元语义关系,并将事件的详细信息以结构化形式展示,对药物研发和疾病防治等具有重大意义。本文基于MLEE语料,利用神经网络方法对生物医学事件抽取展开了实验研究,研究内容主要分以下几个方面:(1)提出基于图卷积网络的生物医学事件触发词识别方法。基于MLEE语料进行实验,通过自然语言处理工具获取词性信息、依存句法信息等,丰富初始特征表示。使用双向长短期记忆神经网络(Bidirectional Long Short Term Memory,Bi LSTM)获取句子上下文表示以及使用图卷积网络(Graph Convolutional Network,GCN)对依存信息进行建模,并利用Softmax函数进行触发词类别分类,从而完成生物医学事件触发词识别任务。实验结果验证了模型的有效性。(2)提出基于组合神经网络的生物医学事件元素检测方法。根据生物医学事件的定义构建候选事件触发词-元素对,使用卷积神经网络(Convolutional Neural Network,CNN)提取局部特征,利用卷积操作较好地学习表示。利用门控循环神经网络(Gate Recurrent Unit,GRU)提取上下文全局特征,进一步进行特征提取。同时引入注意力机制(Attention Mechanism)将局部和全局信息进行融合,对候选对使用Softmax函数进行分类,从而完成元素检测任务。最后,通过规则后处理得到最终的事件。实验结果表明,本文提出的方法能够得到较好的抽取性能。(3)提出基于图注意力网络的生物医学事件联合抽取方法。通过语言模型训练得到词语向量,再结合词性向量、实体类型向量以及位置向量,得到了输入表示。使用Bi LSTM提取上下文特征,丰富单词表示。对语料进行预处理得到依存句法解析等信息,根据依存句法解析得到的句法结构使用图注意力网络(Graph Attention Network,GAT)进行深层次结构特征提取。最后,通过Softmax分类器进行触发词类型分类和元素角色类型分类,完成生物医学事件联合抽取任务。实验结果显示,联合模型一定程度上缓解了级联错误传递,并能获得较好的事件抽取性能。