生物医学关系抽取旨在发掘生物医学文献中基因、疾病、蛋白质及药物等实体之间的关系,是生物医学信息抽取的关键环节,为生物医学领域知识库的构建与维护奠定基础。本文按照实体所在文本的不同粒度,从句子级和篇章级文本两个角度分析生物医学关系抽取,具体对药物-药物关系抽取和药物-疾病关系抽取两个典型任务展开了研究。药物-药物关系抽取任务指自动抽取同一句内两种药物之间存在的相互作用。不同于传统关系抽取任务,该任务句子长度长、修饰词多、结构复杂,包含许多冗余信息,增加了实体关系抽取的难度。针对该问题,本文提出了一种融合依存信息注意力机制的药物关系抽取模型,使用注意力机制对原句的语义信息和最短依存路径的句法信息进行融合,即从句法结构的角度衡量句子中各部分对于实体间关系的重要性,捕捉句中对实体间关系有用的信息,并结合SCIBert预训练语言模型编码词向量,在DDIExtraction2013语料上进行了实验评估,模型F₁值为81.76%,达到目前最好性能。药物-疾病关系抽取任务指自动抽取文章中药物诱发疾病的实体间关系。相比于句内关系抽取,其特点在于1.篇章级关系抽取任务存在许多跨句的实体间关系。2.同一实体在文中可能出现多次并存在多种不同的表示方式,即实体存在多个提及。现有研究方法对于远距离上下文语义的学习能力不佳,其次融合多个实体提及的方式可能会导致信息丢失。因此,本文提出了基于多注意力机制学习全局语义表示的篇章级关系抽取模型,设计全局上下文感知注意机制来获取整篇文章的全局语义,同时利用全局实体感知注意机制来融合目标实体所有提及对的信息。我们的模型在BioCreAtIvE V CDR数据集上实验验证,模型F₁值为60.1%,其中句内和句间关系抽取F₁值分别为65.5%和42.9%。综上所述,针对不同文本粒度关系抽取任务的特点,本文提出融合依存信息注意力机制的句子级关系抽取模型和学习篇章全局语义表示的篇章级关系抽取模型,分别在DDIExtraction2013和BioCreAtIvE V CDR数据集上实验验证了本文模型的有效性。