生物医学作为一门前沿交叉学科,与人们的生命健康息息相关。近年来,随着生物医学领域的快速发展,生物医学文献数量也开始大幅度呈指数增长。隐藏在这些数据中的丰富信息,对生物医学领域的药物研发、疾病预防、数据库构建等都具有十分重要的意义。因此,通过文本挖掘技术处理和分析无结构化的生物医学文献,能够极大地推进该领域的研究发展。关系抽取作为文本挖掘技术的一个重要分支,能够自动地从非结构化文本中抽取信息。目前主流的关系抽取方法是基于深度学习的方法。由于生物医学文献中的句子较为复杂,一些传统的神经网络无法有效学习句子的语义和语法信息。而图神经网络能够直接在图结构上进行运算,为图中的每个节点学习包含本身和邻域节点信息的表示。基于此,针对化合物-蛋白质关系抽取,本文首先提出了一种基于图神经网络的生物实体关系抽取方法。该方法能够根据依存解析图,有效学习句子的序列信息和长距离语法关系。实验结果表明,本文所提出的方法在化合物-蛋白质关系抽取中取得了较好的性能。由于生物医学文本长且复杂,所以句子中通常存在较多的噪音单词,而这些噪音单词会影响关系抽取结果。为了缓解这一问题,本文提出了一个基于多头注意力机制的图神经网络关系抽取模型。多头注意力机制能够根据上下文信息,自动学习句子中任意节点间的相关性。根据节点间的相关性所构建的全连接加权图,不仅保留了句子的完整信息,还能够使模型更多地关注于对关系抽取任务有用的相关子结构。因此,通过全连接加权图,图神经网络能够在学习到关键信息的同时,有效减少不相关信息对模型的干扰。在多个生物医学实体关系抽取任务中的实验结果表明,该方法能够有效降低噪音数据影响,从而进一步提高关系抽取系统性能。在生物医学关系抽取中,有些关系实体对存在于不同的句子中。与句内关系抽取相比,跨句子关系抽取需要考虑更多的文本范围,所以抽取难度更大。针对跨句子生物医学实体关系抽取,本文提出了一种基于集成图神经网络的方法。该方法通过使用两个并行的图神经网络分别在依存解析图和全连通图上进行学习,来捕获更多句内以及句间的语义和语法信息。此外,为了探究语言预训练模型在生物医学实体关系抽取中的应用,本文从语言预训练模型BERT中获取单词的向量表示。实验结果表明,本文所提出的方法在跨句子关系抽取中取得了很好的效果。