近年来,命名实体识别在生物医学领域备受关注。生物医学领域专家现有获取文献信息的方式难以跟上生物医学文献增长的速度。因此,对文本挖掘方法提出更高要求。文本挖掘的一项基本和重要任务是命名实体识别。生物医学命名实体识别旨在从生物医学文本中识别并标注出特定类型的实体,如:基因、疾病和化学物等。进而为信息抽取和问答系统等后续工作提供先决条件。与一般命名实体识别相比,生物医学命名实体识别更具挑战性和潜在的研究空间。本文对生物医学命名实体识别的研究工作主要包括以下两个部分:(1)基于语境化胶囊网络的生物医学命名实体识别。由于数据的稀疏性,生物医学文本中存在大量的稀有和罕见的实体,缺乏足够的训练实例和对稀有和罕见的实体的信息缺乏阻碍了生物医学实体识别的性能的进一步提升。针对这一问题,论文提出了语境化胶囊网络的生物医学命名实体识别方法。该方法将语境上下文融合到胶囊网络中,以动态捕获和利用目标实体的上下文信息。相比基准模型,本文的方法取得了竞争性结果,分别在BC5CDR-disease和BC5CDR-chemical数据集上获得了86.58%和93.70%F1值。(2)融合句法信息的图卷积神经网络生物医学命名实体识别。当前的命名实体识别方法将文本理解为输入向量的一维集合,忽略了实体之间的依存关系和层次结构信息。句法依赖能够潜在的推理特定命名实体的存在。基于此,本文提出融合句法信息的图卷积神经网络生物医学命名实体识别。具体地,文本中的每个单词被看做一个节点,节点之间的边通过句法树被构造,实体的内部结构信息使用图卷积神经网络被捕捉。模型在标准数据集上进行评估,其结果证明了提出的方法能够有效的捕捉实体结构信息,相比基准模型大约有1%F1值的提升。