药物研发是关系国计民生,具有重大经济效益和社会效益的科学课题。准确识别药物-靶标相互作用可以显著促进药物研发过程。与花费昂贵、费时费力的实验方法相比,机器学习在有效、高效识别药物-靶标相互作用中起着越来越重要的作用。然而,上游特征提取方法需要大量的知识积累和繁琐的流程,极大地限制了机器学习方法的应用。受word2vec等无监督表示学习方法的启发,我们在此提出了一种新颖的特征提取方法—SPVec,可以将表示化合物结构的SMILES字符串和蛋白质靶标序列等原始数据自动表示为连续的、低维的、富含信息的特征,从而避免了手动提取特征的繁琐性、稀疏性和高维等缺点。表示特征的可视化很好地说明了结构/功能相似的化合物/蛋白质占据了相似的特征空间,表明了SPVec这种特征表示方法可以学习一些对于预测药物-靶标相互作用有效的重要的生物学特征。与MACCS分子指纹和氨基酸组成等传统特征提取方法相比,SPVec在一些机器学习分类器（如梯度提升决策树、随机森林和深度神经网络）上表现出更好的性能。从DrugBank数据库获得的独立测试集上也证实了SPVec这种特征表示方法的鲁棒性。此外,我们预测了DrugBank数据库中所有未知的药物-靶标相互作用的概率,其中预测得分最高的前五个药物-靶标相互作用对中有两个得到了外部证据的支持。这些结果表明,SPVec可以提供一种有效且有效的方法来预测新的药物-靶标相互作用关系,无疑这对药物研发是非常重要的。