指数级增长的生物医学文献和海量社交文本蕴含着对生命科学极具价值的生物医学知识,为研究提供了丰富的数据来源。因此,迫切需要探索有效的文本挖掘技术自动地从中发掘出准确的信息。从如此海量文本中获取有效信息需通过有效方法减少文本类别数量、筛选出有效文本,然后从目标文本中获取需要信息。每个阶段方法的性能都对挖掘知识产生影响。为此,本文从文本语义相似性评估和文本分类出发,以生物医学实体关系抽取为目标,深入分析现有方法在语义相似性评估、文本分类和关系抽取的不足,结合生物医学文本的特点,围绕如何利用语义交互和知识表示增强语义展开研究。首先,针对由于生物医学句子长且句式复杂导致的长距离依赖问题,以及现有方法忽略两个句子间语义交互的重要性,提出了交互自注意力机制并以此实现句子间的语义交互,增强彼此语义,缓解长距离依赖问题,扩大不相似句对的语义差异和缩小相似句对的语义差异,提升生物医学文本语义相似性的评估能力。另一方面,针对交互注意力中向量平均可能导致语义损失,以及传统上下文无关词嵌入影响系统性能的问题,提出了交叉自注意力以减少语义损失,同时利用预训练模型产生上下文相关词嵌入以克服传统词嵌入的不足。实验结果表明,该方法能够更好地增强语义并提升性能。其次,由于社交文本短小导致语义表示不足以及目标文本的稀疏,因此在生物医学文献中表现良好的方法对社交文本分类表现欠佳。针对该问题和现有方法在社交文本中的情感表示不充分的问题,提出了集成知识、情感特征和预训练模型的社交文本分类方法。该方法构建了一个药物-不良反应共现库,并利用构建的共现库生成每个句子的共现子句,然后实现共现子句与原始文本的语义交互以增强短文本的语义表示,弥补语义表示的不足。同时,将句子级情感语境信息与情感词分值相结合以表达更充分的情感信息。实验结果表明,通过语义交互增强的短文本语义和充分的情感信息改善了分类性能。最后,在文档级关系抽取时,针对现有方法捕获全局语义不充分、未区分文档中不同句子对整篇文档语义的贡献差异以及学习目标实体语义不完整的不足,提出了一种语义增强和知识表示的文档级关系抽取方法。该方法利用交叉自注意力机制实现语义交互,增强标题和摘要的语义表示,捕获更充分的全局语义。同时,利用高斯概率分布为共现句以及周边实体句生成贡献系数,学习更有效的语义。此外,提出了从整篇文档收集目标实体语义的方法,从而表示了更完整的目标实体语义。实验结果表明该方法取得了良好的文档级关系抽取性能。