药物不良反应是指患者在医师指导下正常服用药物后产生的有害反应,这与用药目的无关。及时发现潜在的药物不良反应,可以减少其对患者的伤害,同时也有助于医生的合理用药。随着网络的发展,许多患者愿意在社交媒体中分享用药后的感受,从而产生了大量用药数据。由于社交媒体数据规模庞大,更新迅速,从社交媒体文本中自动抽取药物不良反应信息,能够有效的推动该领域的发展。但是社交媒体数据本身存在一些问题,并且已标注的公开数据集规模较小,这对该领域发展带来了局限。针对以上问题,本文利用文本挖掘技术,基于社交媒体数据,从药物不良反应检测,药物不良反应实体识别,药物不良反应关系抽取三个方面开展研究,实现对药物不良反应发现的研究。首先从海量文本中挖掘包含不良反应的文本,缩小关注范围;其次利用命名实体识别技术,识别出文本中用户关注的实体类型,更精确的定位文本中的药物与不良反应实体;最后利用关系抽取技术,判断药物与不良反应实体之间存在的关系类型,发现潜在的药物不良反应关系。患者产生药物不良反应后往往在情感上也会有波动,这时发布的社交媒体数据通常会包含丰富的情感信息。现有的一些方法将情感特征融合到药物不良反应检测任务中,仅考虑句子级情感极性得分,忽略了细粒度的单词级别情感信息。针对此问题,本文提出了一种融合情感特征的对抗训练模型。该方法通过情感感知的注意力机制,提取文本中词语与情感词之间的细粒度情感特征,深入挖掘文本内在的情感信息,实现情感特征在药物不良反应检测任务中的有效融入。同时,本文使用增加对抗扰动的方法达到数据增强的目的,以解决社交媒体数据规模小的问题。实验结果表明该方法能够有效融合情感特征,提高基于社交媒体数据的药物不良反应检测任务的性能。药物不良反应实体识别任务中,以往的方法忽视了社交媒体数据存在严重的口语化和拼写错误等问题。为此,本文提出了一种基于融合双线性注意力机制的对抗迁移学习模型。该方法采用多任务学习的模型框架,共同训练较大规模的生物医学文献数据和小规模的社交媒体数据,实现了将文献中规范的文本表达以及专业的医学知识向社交媒体迁移的作用。在该模型中,本文引入了一个带有数据鉴别器的共享特征提取器来交替编码社交媒体和医学文献数据。通过对抗学习,共享特征提取器可以获得不同数据源的共享特征。另外,双线性注意力机制的运用可以从共享特征中选择与目标任务相关的特征,更加有效的识别出药物不良反应实体。实验结果表明该方法能够学习到不同数据源间共享的特征,提升社交媒体语料上实体识别的性能。药物不良反应关系抽取任务中,针对社交媒体文本语言表述不规范,语义复杂的问题,本文提出了一种基于门控迭代的胶囊网络模型。该方法首先采用卷积神经网络实现对文本局部特征的关注,然后利用门控胶囊网络结构,挖掘文本的深层语义信息。门控迭代机制可以在生成底层胶囊时,充分考虑文本的上下文信息,实现对历史特征的选择性保留。胶囊中的参数由动态路由机制进行更新,该机制决定了高层胶囊对底层胶囊的选择过程,减少噪声对于最终分类性能的影响。实验结果表明该方法可以解决社交媒体语言表述不规范的问题,显著提升了模型在社交媒体药物不良反应关系抽取数据集上的表现。