生物医学实体关系抽取是生物医学文本挖掘领域的一项重要研究内容,它对生物医学知识库的建立以及应用起着关键作用。其中,实体因果关系抽取旨在抽取生物医学文本片段中的实体间因果关系,并采用结构化表示。针对这一任务,本文利用深度学习方法,进行了以下三个方面的研究:首先,本文提出一种集成关系抽取和功能识别的因果关系抽取方法。该方法将因果关系抽取分解为实体关系抽取和实体功能识别两个子任务。首先使用两个基于注意力机制的双向长短时记忆网络分别抽取实体关系和功能,然后将关系和功能合并为结构化形式。此外,为了改善整体性能,本文使用阈值过滤策略来提高功能识别的精确率。实验结果表明,该方法在因果关系抽取任务上获得较好的性能。其次,本文提出一种二元关系抽取和一元功能识别共同决策的联合学习模式。该方法主要通过信息交互的方式捕捉两个子任务间的联系,从而在不进行后处理的情况下提高功能识别任务的精确率,使功能识别对语句抽取起正向促进作用。在联合模型中两个子任务共享底层向量,然后利用双向长短时记忆网络和门控机制学习两个任务之间的交互表示,最后根据两个交互表示分别进行关系和功能类型预测。实验结果表明,相比于流水线式的方法,基于联合学习的方法能有效改善因果关系的抽取性能。最后,本文提出一种基于语料迁移的因果关系抽取方法。该方法使用GENIA事件语料来识别实体功能,从而提高其总体性能。首先,通过规则映射的方法将GEINA事件转换为因果关系抽取中的功能,形成GENIA迁移语料。接着,以此为训练语料,分别使用直接分类和事件抽取的方法识别实体功能。最后,识别出的功能和实体关系被合并为结构化形式。实验结果表明,该方法能够明显改善生物医学实体因果关系抽取的性能。