1、大數(shù)據(jù)時代下可公開獲得的生物文獻數(shù)據(jù)迅速增長，系統(tǒng)生物學家對于構建復雜生物關系網(wǎng)絡的需求也越來越迫切，從海量的生物文獻中挖掘滿足系統(tǒng)生物學家研究需求的知識變得越來越重要，而傳統(tǒng)的關系抽取只能針對簡單的二元實體關系，并不能滿足系統(tǒng)生物學發(fā)展的需要，因此，旨在抽取細粒度的生物實體之間復雜關系的生物醫(yī)學事件抽取應運而生，成為生物醫(yī)學以及自然語言處理領域一個非常重要的研究課題，并被廣泛應用于通路擴展、本體庫建設以及語義網(wǎng)絡構建等領域。
　

2、　傳統(tǒng)的機器學習方法在生物醫(yī)學事件抽取中得到了很好的應用，本文在前人研究的基礎上，對事件抽取進行進一步的探索，主要研究深度學習方法在生物醫(yī)學事件中的應用。在事件抽取流程上，依然沿用經(jīng)典的事件抽取流程:事件觸發(fā)詞識別、事件元素檢測、規(guī)則后處理。首先，采用分布式表示方法作為單詞的特征表示，利用海量無標注的Pubmed摘要數(shù)據(jù)，基于句法上下文信息，訓練獲得句法詞向量，以捕獲單詞的功能性語義信息;在事件觸發(fā)詞識別中，我們摒棄復雜的特征設計，以句

3、法詞向量為基礎，引入額外的語義特征，包括主題特征、詞性特征、與實體最小距離特征，共同構建侯選觸發(fā)詞的分布式語義表示，并充分發(fā)揮深度學習的優(yōu)勢，自動進行特征學習;在元素檢測階段，利用卷積神經(jīng)網(wǎng)絡模型對句子進行建模的能力，基于觸發(fā)詞-實體以及觸發(fā)詞-觸發(fā)詞依存路徑特征，以句法詞向量作為主要輸入，并引入其它語義特征，包括詞性特征、與實體相對距離特征、觸發(fā)詞或實體類型特征，作為句法詞向量的補充，通過卷積與池化操作，學習句子級別的特征表示，以識別