Las redes sociales y los foros relacionados con la salud, incluida la expresión de opiniones de los clientes, han proporcionado recientemente fuentes de datos para la investigación sobre la identificación de reacciones adversas a medicamentos (RAM). Sin embargo, en los métodos existentes, la negligencia de datos ruidosos y la necesidad de datos etiquetados manualmente reducen la precisión de los resultados de predicción y aumentan considerablemente el trabajo manual. Proponemos una nueva arquitectura llamada mecanismo de supervisión débil (WSM) red neuronal convolucional (CNN) memoria a corto y largo plazo (WSM-CNN-LSTM), que combina la fortaleza de la CNN y la memoria a corto y largo plazo bidireccional (Bi-LSTM). El WSM aplica los datos débilmente etiquetados para preentrenar los parámetros del modelo y luego utiliza los datos etiquetados para ajustar finamente los parámetros de la red inicializada. La CNN emplea una capa convolucional para estudiar las características de las opiniones sobre medicamentos y las características activas a diferentes escalas, y luego las redes neuronales de avance y retroalimentación del Bi-LSTM utilizan estas características destacadas para generar los resultados de regresión. Los resultados experimentales demuestran de manera efectiva que nuestro modelo supera marginalmente a los modelos de comparación en la identificación de RAM y que una pequeña cantidad de muestras etiquetadas resulta en un rendimiento óptimo, lo que disminuye la influencia del ruido y reduce los requisitos de etiquetado manual de datos.