目的本研究对生物医学事件中触发词及属性进行联合识别研究,通过构建双向长短期记忆-条件随机场(Bidirectional Long Short-Term Memory-Conditional Random Field,BiLSTM-CRF)模型,将事件触发词及属性的联合识别工作,转化为对句子中单词的序列标注问题,利用词向量、依存关系进行特征学习,并以药物警戒性事件为实证对象,对其结果进行评价,为药物警戒性事件的细粒度抽取工作提供帮助,为相关信息的挖掘工作提供支持。方法通过调研国内外生物医学事件抽取的相关文献,对事件触发词、属性的识别工作展开研究,对其采用的方法进行梳理,确定本研究的识别方法。首先,对生物医学事件语料进行训练集、测试集的划分,并对语料中的单词进行IBO体系标注,标注出不同类型的事件触发词和属性。然后,根据大规模未标注的Pubmed摘要进行词向量的学习,生成词向量特征。之后,通过自然语言处理相关的分析工具Stanford CoreNLP进行句法分析,提取依存关系特征。之后,针对训练集,将词向量特征、依存关系特征输入BiLSTM-CRF模型中,选择合适的参数,通过标注好的事件触发词、属性类别,进行有监督的深层机器学习。最后,在测试集得到验证的结果,选择评价指标:精确率(Precision)、召回率(Recall)、F值进行效果分析。针对方法的评价方面,由于尚未发现有人做事件触发词及属性的联合识别工作,本文选择语料原文中的基于EventMine的触发词识别实验进行比较,先通过构建BiLSTM-CRF模型对触发词进行单独识别以证明方法的有效性,再对联合识别的效果进行整体的评价分析。结果(1)通过BiLSTM-CRF方法对药物警戒性事件中的触发词进行识别,其总体F值为74.2%,与原文中EventMine识别触发词的效果进行对比,其总体F值为61.6%。证明了本研究方法的优越性。(2)通过对药物警戒性事件进行触发词及属性的联合识别,总体的F值为72.5%,每个类别的F值都超过了70.0%。其中Manner方式属性识别效果最好,其精确率100.0%是所有识别结果中最高的,其次是Negated否定属性,精确率为91.7%,这和这两个类别的数量少有一定的关系。Combination结合识别结果的F值最低,为70.1%,其精确率高达92.5%,但召回率只有56.5%,说明其敏感性差,不容易被识别。召回率最高的是Adverse_effect副作用的触发词,达到了77.7%,和Adverse_effect数量多有一定关系,其敏感性好。结论生物医学事件的抽取工作是如今生物医学自然语言处理研究的热点,细粒度地抽取工作是未来发展的必然趋势,事件触发词及属性的联合识别,有利于精细化选择,提高信息的使用效率,便于相关人员更好地对当前信息作出预先判断。(1)本文对药物警戒性事件中触发词及属性进行了联合识别,结合了词向量、依存关系特征,基于BiLSTM-CRF深度学习模型,完成有监督的机器学习。(2)通过本研究提出的方法,联合识别出药物警戒性事件中的事件触发词及属性,识别结果表现良好。