实现药品推荐的模型训练方法、装置及计算计设备制造方法及图纸

本发明专利技术公开了一种实现药品推荐的模型训练方法、装置、计算机设备及存储介质，所述实现药品推荐的模型训练方法包括：获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征；将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。采用本发明专利技术提供的实现药品推荐的模型训练方法、装置、计算机设备及存储介质解决了现有技术中药品推荐的准确率不高的问题。

Model training method, device and calculation equipment for drug recommendation

【技术实现步骤摘要】
实现药品推荐的模型训练方法、装置及计算计设备
本专利技术涉及计算机
，尤其涉及一种实现药品推荐的模型训练方法、装置及计算机设备。
技术介绍
随着人工智能的发展，基于神经网络的药品推荐越来越受到广大研究学者的重视。然而，目前的药品推荐主要依赖于个体病患的病情，不仅未能够考虑不同病患之间的相似性，也未能够考虑不同病患在同一种病情中可能存在的药品排斥性，进而导致药品推荐的准确率不高。因此，如何提高药品推荐的准确率仍亟待解决。
技术实现思路
本专利技术各实施例提供一种实现药品推荐的模型训练方法、装置、计算机设备及存储介质，以解决相关技术中存在的药品推荐的准确率不高的问题。其中，本专利技术所采用的技术方案为：根据本专利技术的一个方面，一种实现药品推荐的模型训练方法，包括：获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征；将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。根据本专利技术的一个方面，一种实现药品推荐的模型训练装置，包括：特征获取模块，用于获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；图构建模块，用于基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；图特征获取模块，用于根据所述关系图的邻接结构，将所述关系图中节点所表示的特征转化为图信息特征；损失值计算模块，用于将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。根据本专利技术的一个方面，一种计算机设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的实现药品推荐的模型训练方法。根据本专利技术的一个方面，一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的实现药品推荐的模型训练方法。在上述技术方案中，获取病患的病患数据和用药数据，以通过词嵌入转化处理得到对应的病患特征和药品特征，进而基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建，由此将关系图中节点表示的特征转化为图信息特征，最终根据该图信息特征输入模型的编解码网络计算得到的损失值，来判断模型是否完成训练，即收敛。也就是说，基于构建的病患与药品之间的关系图，药品推荐不单单依赖于个体病患的病情，还依赖于融合了病患与药品使用关系的图信息特征，使得药品推荐不仅考虑到不同病患之间的相似性，而且考虑到药品在同一种病情中的排斥性，从而有效地解决了现有技术中药品推荐的准确率不高的问题。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并于说明书一起用于解释本专利技术的原理。图1是根据本专利技术所涉及的实施环境的示意图。图2是根据一示例性实施例示出的一种计算机设备的硬件结构框图。图3是根据一示例性实施例示出的一种实现药品推荐的模型训练方法的流程图。图4是图3对应实施例中步骤310在一个实施例的流程图。图5是图3对应实施例所涉及的关系图的结构示意图。图6是图3对应实施例中步骤330在一个实施例的流程图。图7是图3对应实施例中步骤350在一个实施例的流程图。图8为图3对应实施例所涉及的编解码网络的结构示意图。图9是图3对应实施例中步骤370在一个实施例的流程图。图10是图3对应实施例中步骤370在另一个实施例的流程图。图11是根据一示例性实施例示出的推荐药品预测过程的方法流程图。图12是图11对应实施例中推荐药品预测过程的具体实现示意图。图13是根据一示例性实施例示出的一种实现药品推荐的模型训练装置的框图。图14是根据一示例性实施例示出的一种计算机设备的框图。通过上述附图，已示出本专利技术明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本专利技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。具体实施方式这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。图1为一种实现药品推荐的模型训练方法所涉及的实施环境的示意图。该实施环境包括用户端110和服务端130。具体地，用户端110，部署于医院、研究中心等场所，用于提供病患的病患数据和用药数据。该用户端110可以是台式电脑、笔记本电脑、平板电脑、智能手机、掌上电脑、便携移动终端等等电子设备，在此不构成具体限定。服务端130，该服务端130可以是台式电脑、笔记本电脑、服务器等等计算机设备，还可以是由多台服务器构成的服务器集群，甚至是由多台服务器构成的云计算中心。其中，服务器是为用户提供后台服务的电子设备，例如，后台服务包括但不限于药品推荐服务等等。服务端130与用户端110之间预先建立通信连接，并通过通信连接实现与用户端110的数据传输。传输的数据包括但不限于：病患的病患数据和用药数据、推荐药品等等。通过用户端110与服务端130的交互，用户端110将收集到病患的病患数据和用药数据上传至服务端130，以使服务端130实现药品推荐的模型训练，进而基于收敛的模型提供药品推荐服务。对于服务端130而言，在接收到用户端110上传了待推荐病患的病患数据之后，便能够调用药品推荐服务，向用户端110进行推荐药品的推荐。图2是根据一示例性实施例示出的一种计算机设备的硬件结构框图。该种计算机设备适用于图1所示出实施环境中的服务端130。需要说明的是，该种计算机设备只是一个适配于本专利技术的示例，不能认为是提供了对本专利技术的使用范围的任何限制。该种计算机设备也不能解释为需要依赖于或者必须具有图2中示出的示例性的计算机设备200中的一个或者多个组件。计算机设备200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，计算机设备200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(CPU,CentralProcessingUnits)270。具体地，电源210用于为计算机设备200上的各硬件设备提供工作电压。接口230包括至少一有线或无线网络接口，用于本文档来自技高网...

【技术保护点】
1.一种实现药品推荐的模型训练方法，其特征在于，包括：/n获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；/n基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；/n根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征；/n将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。/n

【技术特征摘要】
1.一种实现药品推荐的模型训练方法，其特征在于，包括：
获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；
基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；
根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征；
将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。


2.如权利要求1所述的方法，其特征在于，所述病患的病患数据包括所述病患的入院记录、病史、检验检查报告和诊断信息；
所述通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征，包括：
对所述病患的入院记录、病史、检验检查报告和诊断信息分别进行词嵌入转化处理，得到对应的词嵌入向量；
将所述病患的入院记录、病史、检验检查报告和诊断信息分别对应的词嵌入向量进行拼接，得到所述病患特征。


3.如权利要求1或2所述的方法，其特征在于，所述病患的用药数据包括所述病患基于所述病患数据所使用药品的适应症信息；
所述通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征，包括：
对所述药品的适应症信息进行词嵌入转化处理，得到所述药品特征。


4.如权利要求1所述的方法，其特征在于，所述基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建，包括：
根据所述病患对应的病患标识创建病患节点，将病患特征存储至病患节点，并根据所述病患使用药品对应的药品标识创建药品节点，将药品特征存储至药品节点；
基于病患与药品的使用关系，在所述病患节点与所述药品节点之间构建一条路径，形成病患与药品之间的关系图。


5.如权利要求1所述的方法，其特征在于，所述根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征，包括：
针对所述关系图中的每一个节点，基于所述关系图的邻接结构，确定该节点在所述关系图中的邻居节点；
获取随机初始化的权重矩阵和所述邻居节点表示的特征；
根据所述权重矩阵和所述邻居节点表示的特征，计算得到由该节点表示的特征转化的图信息特征。


6.如权利要求1所述的方法，其特征在于，所述编解码网络包括多个编码网络层和多个解码网络层；
所述将所述图信息特征输入模型的编解码网络进行损失值计算，包括：
将所述图信息特征输入所述编解码网络中的第一个编码网络层，进行隐藏单元向量...

【专利技术属性】
技术研发人员：任江涛，刘琦，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44