药物间相互作用(Drug-drug Interactions,DDIs)是指患者服用多种药物,药物的作用可能被其他药物增强或减弱,或发生严重的药物不良反应(Adverse drug reactions,ADRs),是生物医学领域一个重要的研究方向。近年来,基于深度学习的药物关系抽取模型取代了基于特征的机器学习方法,成为生物医学关系抽取的主流模型。相较于支持向量机(Support vector machine,SVM)等传统的机器学习方法,深度神经网络不需要过多的人工特征,并且有着较好的泛化性能。生物医学实体往往有着十分复杂的名字,神经网络不能够很好的理解其语义。针对此问题,本文提出一种将药物的描述文档作为外部知识,结合深度神经网络进行药物间关系抽取的模型。该方法以预训练语言模型BioBERT作为输入层,并通过改进BioBERT的输出,增强了BioBERT的泛化性能,再将BioBERT词向量送入双向门控递归单元层(Bidirectional gated recurrent unit,BiGRU)来获得句子的向量表示。对于外部知识处理部分,该方法对药物描述文档进行编码,得到文档的向量表示作为药物描述信息。通过利用包括药物描述信息在内的三种药物实体信息构造了三种实体注意力,最后通过softmax分类器得到最终的分类结果。该模型在DDIExtraction 2013语料上达到了80.9%的F值。知识图谱是另一种可利用的外部知识,由于它是一种结构化数据,因而不能直接利用到神经网络之中。另外,用于自然语言处理的神经网络模型的输出为包含语义信息的向量,而知识图谱的结构化数据大多不包含语义信息,因此如何有效地结合这两种不同含义的信息以最大化知识图谱的作用也是研究难点之一。针对此问题,本文提出一种融合外部知识的神经网络模型来对药物知识图谱进行有效地利用。该方法首先通过CompeEx模型将药物知识图谱中的药物实体转换为向量,并用二分类神经网络模型对药物知识向量进行预训练,使其更加贴合DDIs抽取任务,再将训练得到的药物知识向量和抽取DDIs的神经网络的输出层的输出进行拼接,最后通过softmax分类器得到分类结果。该模型在DDIExtraction 2013语料上达到了81.2%的F值。综上,本文提出了两种药物相关的外部知识构建方法,并针对外部知识的特点设计了两种利用外部知识的神经网络模型,此外还提出一种改进预训练语言模型的方法,提高了预训练语言模型的泛化性能。在DDIExtraction 2013数据集上的实验证明了所提出模型的有效性。