随着互联网的发展和大数据时代的到来,生物医学文献的数量快速增长,如何从这些非结构化的文本中挖掘和整理实体关系成为人们目前迫切的需求。在生物医学领域,蛋白质实体交互关系抽取任务要求从非结构化的文本中抽取出存在交互关系的蛋白质实体对。该任务对于精准医疗、疾病发生机理、细胞稳态控制等都具有重大的意义。此外,生物医学知识库中包含了大量实体关系三元组的结构化信息。这些先验知识可以帮助我们识别复杂语义环境中蛋白质实体对的交互关系。本文探索融合知识库和文本信息方法,重点研究蛋白质交互关系抽取任务,主要研究内容如下:研究基于实体表示的蛋白质交互关系抽取。采用知识表示学习模型对知识库中的大量实体关系三元组进行学习,获得实体表示和关系表示。再利用深度学习模型将实体表示和文本信息进行融合,构建融合实体表示和文本信息的蛋白质交互关系抽取系统。实验表明,实体表示可以有效提升模型捕获与实体相关的上下文信息的能力,提升了关系抽取的精确率。研究基于关系表示的蛋白质交互关系抽取。基于知识库中一对蛋白质实体对应的关系表示,利用注意力机制抽取与实体关系相关的上下文特征,构建融合关系表示和文本信息的蛋白质交互关系抽取模型。实验表明,关系表示具有明确指向性信息,为模型提供了重要特征。注意力机制能进一步获取与实体关系相关的上下文特征,提高蛋白质交互关系抽取性能。研究基于记忆网络的蛋白质交互关系抽取。记忆网络由层级式的注意力机制构成,具有更优秀的全局信息抽取能力,能够捕捉序列中更多重要特征。本文研究利用记忆网络,逐层抽取上下文中与实体相关的全局信息,并进一步融合关系表示,构建深层的知识表示和文本信息相融合的蛋白质关系抽取模型。实验表明,记忆网络能够更好地利用先验知识对文本中的全局信息进行抽取,多层的记忆网络结构有助于蛋白质交互关系抽取性能的提升。文本的研究不但能有效提升蛋白质交互关系抽取的性能,而且提供了一种新颖的先验知识使用方法。本文方法也可以用于在其他任务中引入知识库,具有一定的普适性。