科学研究范式正在经历向数据密集型科研的转变。新的研究范式为科学发展带来新的机遇,同时也对数据资源的有效利用提出了挑战。科技文献数据是科技活动的主要知识来源和知识的主要载体,是科学研究中的重要资源。随着科学研究越发向深入发展,科技文献总量迅速增加,文献研究的内容也在不断细化。前者意味着人类已不可能完全凭借阅读来利用科技文献资源,后者则使不同领域的科学研究之间的潜在关联很难直接被联想和利用,造成了科研上的“信息孤岛”。针对科技文献有效利用的问题,基于文献的知识发现（Literature Based Discovery,LBD）研究方法应运而生。LBD是一种从文献中发现隐含知识的情报学方法。它将文献集转换成概念关系网络,以挖掘概念之间的隐含关联,为提升文献资源利用效率提供了有效途径。本研究将基于图神经网络的链路预测技术引入LBD方法体系,构建了文献知识发现模型,并在生物医药领域进行实证研究。相关主要的工作内容及创新成果如下:（1）本研究将近年新出现的图神经网络算法与LBD方法相结合,构建了一个使用图神经网络算法的LBD模型,通过该模型实现了LBD研究与深度学习的结合,整合深度学习领域中成熟的经验、算法、计算资源,为LBD在更大规模文献数据集中的知识发现扫清障碍,丰富了现有知识发现方面的情报研究方法及工具。（2）本研究使用基于图神经网络的文献知识发现模型在新冠肺炎潜在药物发现领域进行了实证研究,展示了50种对新冠肺炎具有潜在治疗作用的药物,其中有72%的药物被已有研究关注和报道。相关结果证明了本研究所提出的新方法的可行性及有效性,以情报学的思路为新冠药物研发提供了有情报价值的信息,在新冠肺炎大流行的背景下具有重要现实意义。未来,相关研究需要进一步完善数据和算法设计两个层面的工作。在数据层面,可以开展非结构化的文本数据研究,进一步拓展本研究模型在不同结构数据中的应用;在算法设计层面,可对图嵌入层和解码器层进行修改,例如将BERT、Alpha Fold等深度学习领域的成熟模型用于生成节点特征,使用Dist Mult、Rotat E算法实现边特征到边类别的映射,使模型能够整合更多的信息实现更准确的预测。