在专业领域的知识库中,经常出现由一系列词组合成的长实体,这类实体具有词的可组合性和可扩展性,医疗领域的疾病和症状就是典型的例子。本文把这类不同于传统实体的概念,称为复合实体,并且探索针对这类实体的上下位关系识别方法,这对于知识库构建等任务是十分有意义的。传统实体的上下位关系识别方法,在复合实体上表现不佳,主要因为以下两方面原因:1)缺少包含这些复合实体的文本,专业领域语料通常较为缺乏,难以获取;2)复合实体结构复杂、形式多变、同义词多,直接将实体作为一个整体,容易出现测试集中未登录词多的情况。在本文中,我们提出了一种混合注意力机制,并构建了利用混合注意力机制的双向GRU胶囊网络模型(HA-BGRU-CapsNet模型)用于识别医疗复合实体上下位关系。混合注意力机制由启发式注意力机制和相似度注意力机制组成,这种注意力机制弥补了复合实体缺少上下文的难点,分别从实体间的结构相似性和语义的相似性启发模型。针对复合实体未登录词多的现象,模型使用双向GRU将实体中的词向量编码成实体向量。最后使用胶囊网络的输出胶囊模长来判断输入实体间是否存在上下位关系。本文利用SNOMED-CT和中文医疗网站构建了中英文复合实体数据集。在中英文数据集上进行实验,实验结果显示,相比其他常用方法,该模型有着更好的效果。本文也在公开数据集上实验针对复合实体设计的注意力机制的效果,结果显示针对不同型的实体,注意力机制产生的效果不同,有时可以提高模型效果,有时降低模型效果,在实际应用中,需要明确目标实体是否适合使用注意力机制。