生物医学事件抽取以结构化的形式展示了海量生物医学文献中生物分子之间细粒度的复杂交互关系,为科研人员了解生物机理和攻克医学难题提供了重要依据。一个完整的生物医学事件由触发词和事件元素组成。触发词引起了整个生物医学事件的发生,并且决定了生物医学事件的类别。事件元素是生物医学事件的重要组成部分,在生物医学事件中扮演着重要的角色。因此,本文紧紧围绕生物医学事件抽取中的两个关键问题——触发词识别和事件元素检测展开研究,主要的研究工作分为以下三个方面:一、本文在生物医学触发词识别的任务中提出了Transformer-Capsule的联合模型。生物医学文本中存在大量的领域性词汇,本文使用多维特征嵌入的方式,生成信息丰富的输入特征。生物医学文本中的单词存在噪声字符的问题,本文提出基于注意力机制的动态路由算法,增大Capsule网络中有效胶囊的权重,降低噪声胶囊的干扰。最后为了使每个单词包含充足的生物医学特征和语义特征,本文构建了Transformer和Capsule的联合模型,联合模型分别从单词级和句子级两个方面级提取信息。二、本文在生物医学事件元素检测任务中提出基于元素感知注意力的IDCNNBi GRU模型。由于生物医学文本包含很强的领域特征,本文首次将生物医学领域的预训练模型Bio ELMo引入到生物医学事件元素检测任务中。生物医学文本存在句式冗长复杂和实体分布密集的问题,本文构建了IDCNN和Bi GRU的联合模型,该模型既可以捕获局部的生物医学实体信息又可以捕获生物医学文本全局的句式特征。目前的生物医学事件元素检测方法忽略了候选实例本身的影响,本文提出了一种新颖的元素感知注意力机制,使特征表示更贴近于当前候选实例的分类目标。最后针对生物医学样本类别不平衡的问题,本文改进了传统的损失函数,使用Focal Loss损失函数进行训练。三、本文在生物医学事件的后处理模块中,采用机器学习算法SVM自动进行后处理。先前的方法通常采用人工制定规则的方式,这种方式要求工作人员具备专业的生物医学领域知识,并且无法识别规则外的生物医学事件,在海量的数字化资源中效果不佳。因此,本文采用SVM的方式,可以解决移植性和扩展性差的问题。经过严谨的实验过程,本文提取出完整的生物医学事件。本文方法在CG、PC和MLEE数据集上,触发词识别任务的F1值分别达到了79.29%、73.96%和80.74%,事件抽取任务的F1值分别达到了57.13%、57.41%和61.69%,展现出有竞争力的性能。