药物相互作用(Drug-Drug Interaction,DDI)是指患者在已经服用一种药物的情况下,当同时服用另外一种药物时,由于药物可能会互相影响吸收、代谢,有可能会影响之前服用药物的作用,可能会提升,也有可能下降,甚至有可能引起严重的副作用,这些副作用会对患者极其危险,甚至有可能威胁到病人的生命安全。类似DrugBank以及Micromedex这样的由专业人员总结的数据库中包含已知的一部分DDI,但是大部分的DDI仍然隐藏在各类文献中。因此,快速高效地从各类文献中提取DDI成为研究人员的研究重点。早期自动提取DDI的方法是基于规则的,该方法对于表述简单直接的语句中提取DDI有一定的效果,但对复杂句就性能很差。后来有监督学习的方法广泛使用,基于特征及核函数的方法用来提取DDI。深度学习(Deep Learning)作为近年来机器学习和人工智能的最新趋势之一,在各个领域都带来了革命性的进步,为药物相互作用提取提供一种高度自动的方法,研究人员纷纷投入其中探索性能最佳的方法。本文针对药物相互作用提取问题,在深度学习的基础上,通过对数据集的筛选克服数据集不平衡;采用长短期记忆(Long Short-Term Memory,LSTM)神经网络能够针对数据集中句子过长问题,并考虑到数据集中的上下文相互依赖;条件随机场(Conditional Random Field)能够充分利用上下文信息作为特征,将其作为最终分类器来提高药物相互作用提取准确率;由此,本文使用了具有注意力机制的BiLSTM-CRF模型。本文使用的数据集为SemEval2013竞赛中DDIExtraction子任务使用的数据集,由于该数据集中正负例比例悬殊,所以本文首先对经过负例筛选和未经过筛选的数据集放入模型中进行比对,其次为了验证本文提出的具有注意力机制的BiLSTM-CRF模型有效性,本文分别进行了不同注意力机制、不同分类器以及不同模型的实验对比。经验证,不仅经过负例筛选的数据集使模型性能有所提高,而且本文使用的模型相比起目前性能最佳模型仍然有所提高,证明本文使用的模型是有效的。