浩如烟海的生物医学文献中储藏着大量非结构化的信息,是生物医学信息挖掘的重要来源,对于隐含知识发现研究而言更是宝贵的待开发资源。一方面,使用自然语言处理技术和深度学习方法自动化进行药物重定位,能够极大地降低药物研发的经济成本和时间成本;另一方面,药物重定位系统作为药物研究人员研发的参考依据,其推断结果需要具备充分的准确性和可解释性。如何高效而准确地将生物医学文本中的信息结构化是生物医学文本挖掘的一个挑战。本文旨在利用自然语言处理技术和深度学习方法,研究如何面向药物重定位,在医学文献中发现隐含知识。首先,本文提出了一种新的关系抽取方法。为了获取具有高质量标注的生物医学关系抽取数据集,需要具有领域知识的专家进行手工标注,高人力成本使得获取大量的高质量数据集的难度很大。针对关系抽取任务,本文提出了基于预训练语言模型和多任务学习的关系抽取方法,使用具有领域知识的预训练模型,提升了模型对生物医学文本的表示能力;另外多任务学习策略可以在不需要额外标注数据集的前提下隐式地扩大训练数据,从而提升模型准确性。本文在公开数据集上进行实验,实验结果证实了这两种方法的有效性。其次,本文提出了一种基于异质神经网络的隐含知识发现方法。药物重定位的任务可以将其理解为一个为药物推荐疾病或为疾病推荐药物的推荐系统。本文引入了异质图神经网络模型,使用不同类型的节点构建成一张关系网络图,学习节点的表示特征。引入了双级注意力机制进行节点和路径的聚合,并赋予模型可解释性。实验结果表明本文提出的方法在公开数据集上超越了此前最优结果,证实了异质网络在药物重定位领域的应用价值。最后,本文提出了一种基于节点交互的隐含知识发现方法。元路径模型在网络稀疏或有噪音数据时会不可靠,另一方面,节点及其邻域信息聚合网络表示方法没有捕获路径的语义信息。对此本文采用了基于节点交互的方法增强模型的语义感知能力。实验结果证明此方法能够明显提升模型的性能,取得了当前最优结果。此外,本文对某一推理实例进行了可视化的解释性分析,并提供了由模型推断得到的阿尔兹海默病的潜在药物,援引了相关文献佐证其有效性。