【技术实现步骤摘要】
本专利技术涉及基于图表示的推荐算法领域，特别涉及一种基于知识驱动与残差注意力网络的中药推荐方法。
技术介绍
1、中医药提供了独特的医学理论体系，长期以来在中国的医疗保健中扮演着重要角色，并逐渐在全球范围内得到广泛应用。方剂是中医施治的重要手段，中医师通常根据丰富的临床经验及理论知识遣药组方。但这依赖于医生的经验积累，要求中医具备深厚的专业知识和丰富的临床实践。然而，许多新入职的年轻医生由于经验不足，在面对复杂的病例时往往难以做到准确、高效地组方配伍。
2、历代医家留下的海量医案和经方中蕴藏着医家思想和诊治经验，其中有很多知识值得借鉴和运用。随着人工智能的发展，大量研究利用其对方剂数据进行规范与挖掘。其中，深度学习是一项具有优越性能的特征学习技术，其将原始数据通过非线性模型映射为更高层次、更抽象的向量表示，通过足够多的映射来学习复杂关系以解决实际问题，具有良好的泛化能力。由此可见，借助深度学习技术对中医临床案例、方剂数据进行分析，挖掘其内在的组方配伍规律，是中医传承发展的有效途径。图注意力神经网络(graphattentionnetwork,gat)作为深度学习中具有代表性的方法之一，可以有效地捕捉网络结构信息，因其较好的性能和可解释性，在很多推荐系统中已经有大量的应用研究。因此，将gat应用于推荐系统的有效性已在实践中得到证明，这为实现智能中药推荐，辅助医生开具个性化处方，提供了新的可能。
3、本专利技术根据方剂典籍、权威网站中的内容，提取方剂数据，构建多维的中药属性评估模型和症状特征提取模型分别对方剂、
技术实现思路
1、本专利技术要解决的技术问题是提出了一种新颖的中药推荐方法，通过图注意力神经网络关注中药对症状的不同作用，利用残差网络结构对实体特征进行增强，融合症状语义信息和中药外部知识。用以根据患者症状推荐合适中药，辅助医生临床组方。为了解决上述问题，其技术方案如下：
2、本专利技术的一种基于知识驱动与残差注意力网络的中药推荐方法，所述方法包括以下步骤：
3、s1，数据收集及清洗模块：获取方剂文本数据，对其中的症状和中药术语执行标准化流程，包括正异名统一、去除重复项等，然后将处理后的数据集划分为训练集、验证集及测试集；“其中”是指方剂文本数据。
4、s2，实体预训练模块：利用word2vec训练模型提取症状语义特征，以在方剂中抽取症状实体的特征并获得整体上下文语义表示。此外，构建中药属性知识图谱，将中药自然属性特征作为外部知识融入推荐模型；
5、s3，多图构建及实体特征学习模块：根据症状和中药之间的共现关系，分别构建“症状-中药”异构图(shhg)、“症状-症状”同构图(ssig)和“中药-中药”同构图(hhig)。使用图注意力神经网络从shhg、ssig和hhig上分别抽取症状特征、中药特征及其相互作用特征，并利用残差结构对实体特征进行增强；
6、s4，特征融合及中药推荐模块：将从三个子图上提取的症状特征和中药特征分别进行融合，得到最终的中药特征和症状特征。并利用mlp对证候特征进行表达，最后根据所给症状集合推荐合适的中药集合。
7、进一步地，所述方剂文本数据包括方名、功用大类、方剂组成、功用及主治等内容构成，所述中药术语包括中药名、性味、归经及毒性信息，所述性味包括寒、热、温、良、平、酸、苦、甘、辛和咸，所述归经包括肺、心包、心、大肠、三焦、小肠、胃、胆、膀胱、脾、肝和肾。
8、进一步地，s1中，对收集的方剂数据进行标准化和清洗，包括：
9、s101，中药术语规范，以《中华人民共和国药典》2020年为标准对方剂数据中的中药正异名进行替换，对于无异名不做处理，对于一正一异直接进行正名替换，对于混淆药名，根据上下文(功效、主治等)判断识别后再进行正名替换；
10、s102，症状术语规范，以《中医常见症状术语规范(2005年版)》中收集的2660个症状术语为标准对收集方剂数据中所出现的症状进行数据预处理。
11、进一步地，s2中，中医药实体预训练，包括：
12、s201，中药属性特征预训练，采用23维向量来量化中药自然属性。令其中表示整个数据集中第i个中药的属性特征。为将四气、五味和毒性嵌入向量中，使用三级强度划分：例如，中药的“寒”性包括“微寒”、“寒”和“大寒”，分别使用0.5、1和2来表示它们的强度。对于归经，采用二进制编码(0或1)，明确标识中药是否对特定脏腑具有作用。
13、s202，症状语义特征预训练，为在方剂中抽取症状实体的特征并获得整体上下文语义表示，将word2vec训练模型应用于症状语义特征提取。令其中表示通过word2vec预训练的第i个症状词嵌入，每个词向量维度设置为100。
14、进一步地，s3中，多图构建及实体特征抽取，包括：
15、s301，构建“症状-中药”异构图(shhg)gsh＝(vsh,esh)，其中vsh＝{vs,vh}表示shhg中的症状和中药节点。esh由所有症状和中药节点之间的边组成，包含了症状和中药之间的潜在关系，以下为shhg图构建公式：
16、
17、其中i(si,hj)代表症状和中药之间是否存在相互作用；
18、s302，构建“症状-症状”同构图(ssig)gss＝(vss,ess)，vss表示所有症状节点的集合，ess表示症状和症状之间共现边集，构建公式如下：
19、
20、其中i(si,sj)表示症状之间是否存在共现关系；
21、s303，构建“中药-中药”同构图(hhig)ghh＝(vhh,ehh)，vhh表示hhig中所有中药节点的集合，ehh由中药之间共现边组成的边集，构建公式如下：
22、
23、其中i(hi,hj)表示中药之间是否存在共现关系；
24、s304，计算图ssig、hhig以及shhg中每个节点与其邻居之间的相似系数，具体计算公式如下：
25、
26、其中，a是共享自注意机制，由单层前馈传播网络构成，w是可学习的权重参数，||是拼接操作，代表症状节点si的输入特征，表示节点sj对si的重要程度；
27、s305，利用softmax函数对注意力系数进行归一化，使得注意力系数在图上所有节点具有可比性，计算过程如下：
28、
29、其中表示节点si的邻居节点集合；
30、s306，使用多头注意力机制来获取每个节点的整体特征，计算公式如下：
31、
32、其中本文档来自技高网...
【技术保护点】
1.一种基于知识驱动与残差注意力网络的中药推荐方法，其特征在于，所述中药推荐方法包括以下步骤：
2.根据权利要求1所述的中药推荐方法，其特征在于，所述方剂文本数据包括方名、功用大类、方剂组成、功用和主治，所述中药术语包括中药名、性味、归经及毒性信息，所述性味包括寒、热、温、良、平、酸、苦、甘、辛和咸，所述归经包括肺、心包、心、大肠、三焦、小肠、胃、胆、膀胱、脾、肝和肾。
3.根据权利要求2所述中药推荐方法，其特征在于，步骤S1中，对收集的方剂数据进行标准化和清洗，包括：
4.根据权利要求3所述的中药推荐方法，其特征在于，步骤S2中，中医药实体预训练，包括：
5.根据权利要求4所述的中药推荐方法，其特征在于，步骤S3中，多图构建及实体特征抽取，包括：
6.根据权利要求5所述的中药推荐方法，其特征在于，步骤S4中，特征融合及中药推荐，包括：
【技术特征摘要】
1.一种基于知识驱动与残差注意力网络的中药推荐方法，其特征在于，所述中药推荐方法包括以下步骤：
2.根据权利要求1所述的中药推荐方法，其特征在于，所述方剂文本数据包括方名、功用大类、方剂组成、功用和主治，所述中药术语包括中药名、性味、归经及毒性信息，所述性味包括寒、热、温、良、平、酸、苦、甘、辛和咸，所述归经包括肺、心包、心、大肠、三焦、小肠、胃、胆、膀胱、脾、肝和肾。
3.根...
【专利技术属性】
技术研发人员：丁长松，杨晓艳，李力松，梁杨，黄辛迪，梁茂林，李方成，
申请(专利权)人：湖南中医药大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。