生物医学文本的信息抽取任务得到了越来越多的关注,尤其是对于药物类的,大多关注药物和药物之间相互作用的研究,以期充实知识库,为以后的临床研究和药物研究提供知识储备,但对于药物与表型的关系研究比较少。由于引发一类疾病或是生物个体不适症状的不止是药物,也会有其他疾病和症状。对于这些疾病和症状,医学上称之为并发症、后遗症等,因此,对于这类实体之间关系的研究也是很有必要的。本文中药物实体包括各类药物,表型实体包括了疾病和体征。通过对药物、表型实体及关系的研究,其结果可以帮助从事医学相关的研究人员更好的把握临床治疗过程,及时采取对症措施和药物。本文主要研究了文献类医学文本的命名实体识别和关系抽取任务的实现方法。对于这类信息抽取任务,传统方法是按照命名实体识别、关系抽取、事件抽取的顺序进行。后来有人认为,关系抽取可以独立作为一个任务进行,因而出现了只专注于关系抽取任务的独立模型,以及使用联合模型同时完成实体识别和关系抽取任务的两种做法。本文对这两种方式都进行了尝试。第三章对前一种方式进行了探索,使用目前的主流神经网络方法,对于药物表型实体和抽取的关系分别进行尝试。而第四章则是对后一种方式的尝试,首次采用了多头选择和对抗训练两种方式的联合模型同时对医学文本中的关系和实体进行识别。具体工作内容由以下三部分构成:(1)基于Bi LSTM的药物表型实体识别采用Bi LSTM结合CRF的方法对医学文献进行药物表型实体识别。通过对病历和文献两种形式的医学文本进行识别,测试了两种不同的获得词向量方法对实体识别的影响。模型基于字级别,使用BIO标签策略,将实体名称特征,结合分词特征进行训练。对于不同的数据集,采用不同的输入特征,并对不同特征下的预训练模型效果进行测试。(2)基于注意力机制的关系抽取方法采用在Bi LSTM神经网络上添加注意力机制的方法进行关系抽取。使用CNN获得的词向量,拼接位置特征,在不识别实体的前提下,直接进行关系抽取。(3)多头选择的实体识别和关系抽取联合模型应用一种联合模型对两个信息抽取任务进行训练。该模型的优势在于不需额外的POS标注工具或是其他人工提取特征,同时对实体和关系进行抽取,而不是先进行实体识别,再进行关系抽取,并添加了head信息,并取得了不错的效果。