动机药物相互作用（Drug-Drug Interaction, DDI）引起的不良事件构成了严重的公共卫生问题。能够自动从生物医学文献中提取DDI信息，将有助于推动药物警戒（pharmacovigilance）工作的持续开展。现有的基于神经网络的方法大多聚焦于句子序列以识别DDI，然而两个实体之间的最短依赖路径（Shortest Dependency Path, SDP）蕴含着丰富的句法与语义信息。有效利用此类信息，有望提升DDI抽取的性能。结果本文提出一种基于分层循环神经网络（Hierarchical Recurrent Neural Networks, RNNs）的方法，用于整合SDP与句子序列信息，以实现DDI抽取任务。首先，将句子序列划分为三个子序列；随后，采用底层RNN模型学习子序列及SDP的特征表示，顶层RNN模型则用于学习整个句子序列与SDP的联合特征表示。此外，我们引入嵌入注意力机制（embedding attention mechanism），以识别并增强对DDI抽取具有关键作用的关键词。我们在DDI抽取2013年语料库上对所提方法进行了评估。实验结果表明，该方法在性能上达到或优于当前主流的先进方法。进一步分析显示，句子序列与SDP之间具有良好的互补性，将二者融合能够显著提升DDI抽取的准确率与整体表现。