一种基于多图融合的图卷积草药推荐方法及计算机技术

本发明专利技术涉及一种基于多图融合的图卷积草药推荐方法及计算机，本发明专利技术具有以下有益效果：本申请提出一种基于多图融合的图卷积草药推荐方法，通过构建共现图，能够快速、高效地对症状数据以及草药数据之间地关系进行整合，并且在图嵌入的融合过程中，在草药侧融合进入知识图嵌入，能够使模型进一步感知草药之间的相互联系，进一步提高模型推荐的准确性。通过利用多头注意力机制，能够提高模型的泛化能力。能够提高模型的泛化能力。能够提高模型的泛化能力。

【技术实现步骤摘要】
一种基于多图融合的图卷积草药推荐方法及计算机


[0001]本专利技术涉及深度学习
，更具体地说，它涉及一种基于多图融合的图卷积草药推荐方法及计算机。

技术介绍

[0002]随着人口的大量增长，医疗资源紧张成为了不可忽视的问题。但借助人工智能技术为医生给病人的诊断和制定治疗方案提供辅助决策，可以提升就医效率，缓解就医困难的问题。
[0003]中医作为一门古老的，被接受程度高的，治疗成本相对低的医学，在中国的医疗体系中占据了很重要的地位。并且中医在长期的发展过程中，集先辈的经验和智慧于一身，为维护中国人民的健康发挥了重要作用。因此，中医诊疗所需要的知识是浩瀚而复杂的。它需要了解基本原理和理论，以及中医从业者的实践经验。因此，在中医中使用人工智能有助于捕捉和整合经验和理论知识，从而有可能提高中医治疗的有效性和效率。
[0004]在中医中，疾病的诊断和治疗主要基于：望、闻、问、切，即“四诊”。知道了病人的症状后，就会推导出几种证候，这是开方的前提。中医治疗的基本步骤之一是开出多种草药及其组合的处方，以达到预期的治疗效果。开方时要考虑患者的症状以及草药的性味、归经等，以及基于相生相克的原则。因此，方剂中的每一种草药都有不同的作用，例如“君”(起主要作用)、“臣”(辅助主要作用)、“佐”(用于消除或减缓其他草药的药力)和“使”(将方剂中的草药引向疾病)，反映了不同草药之间复杂而动态的相互作用。
[0005]在传统的推荐任务中，已经提出了大量针对不同对象的推荐系统，如视频推荐和书籍推荐。这些推荐任务的全部或部分数据集由用户和项目之间的交互信息组成。他们输出单个用户对某个项目感兴趣的概率，然而，用于草药推荐任务的数据集中的每个处方数据都涉及一组草药和一组症状，这需要草药推荐者根据其性质考虑症状和草药相互作用之间的隐含关系。到目前为止，解决草药推荐问题的方法主要有主题模型和图神经网络。
[0006]其中，基于主题模型的方法假设每个中医处方都可以由潜在主题的混合表示，这些主题对应于中医的不同证候和治疗方法。通过分析大量中医处方，这些方法可以了解症状在证候上的分布以及草药在治疗上的分布，然后使用它们来推断最适合一组给定症状的草药。但主题模型局限性在于，这种词袋模型很难描述症状与草药之间错综复杂的关系。
[0007]在过去的几十年里，推荐系统中占主导地位的建模范式已经从邻域方法转变为基于表示学习方法。基于表示学习的方法旨在将项目和用户表示为共享空间中的向量。在这个领域，深度学习模型已经成为主流方法论。从图的角度考虑推荐系统中的数据的深度学习算法之一称为图神经网络。推荐系统中的大部分数据基本上都是图的形式，比如用户和物品之间的交互，可以用二分图来表示，交互用链接来表示。当包含结构化外部信息(尤其是知识图谱)时，图学习方法的优势变得尤为明显。因此，图神经网络得到了广泛的应用，因为它们可以有效地捕获用户和项目之间的复杂关系和交互。在草药推荐任务中，数据集由一组症状和一组草药组成，而不是单个用户于与一组物品的交互信息，将这种数据建模成
图结构具有一定的困难性，以及难以将辅助信息与数据表示在同一图中。

技术实现思路

[0008]针对现有技术存在的不足，本专利技术的目的在于提供一种基于多图融合的图卷积草药推荐方法及计算机，以克服现有的技术中存在的数据集难以构建成为图结构、难以将辅助信息以及数据表示在同一张图中的缺点。
[0009]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于多图融合的图卷积草药推荐方法，包括：
[0010]S1、收集中医处方数据，根据所述中医处方数据，构建症状表示侧的症状
‑
症状共现图以及第一症状
‑
草药共现图；根据所述中医处方数据，构建草药表示侧的草药
‑
草药共现图、第二症状
‑
草药共现图以及知识图；
[0011]S2、利用图卷积算法，对所述症状
‑
症状共现图进行卷积，得到若干症状
‑
症状共现图嵌入；对所述第一症状
‑
草药共现图进行卷积，得到若干第一症状
‑
草药共现图嵌入；对所述草药
‑
草药共现图进行卷积，得到若干草药
‑
草药共现图嵌入；对所述第二症状
‑
草药共现图进行卷积，得到若干第二症状
‑
草药共现图嵌入，对所述知识图进行卷积，得到若干知识图嵌入；
[0012]S3、利用注意力机制，将所有的症状
‑
症状共现图嵌入以及所有的第一症状
‑
草药共现图嵌入进行融合，得到症状侧图表示；利用注意力机制，将所有的草药
‑
草药共现图嵌入、所有的第二症状
‑
草药共现图嵌入以及所有的知识图嵌入进行融合，对应得到草药侧图表示；
[0013]S4、获取症状集，将所述症状集转化为多热码症状集，并将所述多热码症状集与所述症状侧图表示进行矩阵乘法，得到症状集表示；将所述症状集表示输入多层感知机，模拟症候推断，得到症候的表示；
[0014]S5、将所述症候的表示与草药侧图表示做交互，获得各个草药对应的推荐概率。
[0015]可选的，所述将所述症候的表示与草药侧图表示做交互，获得各个草药对应的推荐概率，包括：利用概率向量表示草药的推荐概率：
[0016][0017]其中，是模型输出的M维度概率向量；θ是函数f(
·
)的可训练的参数，S为多热码症状集，用于指示症状是否存在；H＝{h1，h2，
…
，h
M
}表示中医处方数据中的所有草药的集合；在所述M维度概率向量中，向量的第i维的值表示草药h
i
能够治疗给定症状集的概率。
[0018]可选的，所述根据所述中医处方数据，构建症状表示侧的第一症状
‑
草药共现图；根据所述中医处方数据，构建草药表示侧的第二症状
‑
草药共现图；包括：
[0019]获取中医处方数据中的所有处方；
[0020]根据处方中出现的所有草药，构建草药集合H＝{h1，h2，
…
，h
j
}；
[0021]根据处方中出现的所有症状，构建症状集合S＝{s1，s2，
…
，s
i
}；
[0022]根据每一个处方中草药与症状的共现情况，构建症状
‑
草药共现边集S
‑
H＝{(s1，h1)，
…
，(s1，h
j
)，
…
，(s
i
，h1)，
…
，(s
i
，h
j
)}；所述症状
‑
草药共现边集中的元素的数学表示形式均为：
[0023][0024]根据症状
‑
草药共现边集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图融合的图卷积草药推荐方法，其特征在于，包括：S1、收集中医处方数据，根据所述中医处方数据，构建症状表示侧的症状
‑
症状共现图以及第一症状
‑
草药共现图；根据所述中医处方数据，构建草药表示侧的草药
‑
草药共现图、第二症状
‑
草药共现图以及知识图；S2、利用图卷积算法，对所述症状
‑
症状共现图进行卷积，得到若干症状
‑
症状共现图嵌入；对所述第一症状
‑
草药共现图进行卷积，得到若干第一症状
‑
草药共现图嵌入；对所述草药
‑
草药共现图进行卷积，得到若干草药
‑
草药共现图嵌入；对所述第二症状
‑
草药共现图进行卷积，得到若干第二症状
‑
草药共现图嵌入，对所述知识图进行卷积，得到若干知识图嵌入；S3、利用注意力机制，将所有的症状
‑
症状共现图嵌入以及所有的第一症状
‑
草药共现图嵌入进行融合，得到症状侧图表示；利用注意力机制，将所有的草药
‑
草药共现图嵌入、所有的第二症状
‑
草药共现图嵌入以及所有的知识图嵌入进行融合，对应得到草药侧图表示；S4、获取症状集，将所述症状集转化为多热码症状集，并将所述多热码症状集与所述症状侧图表示进行矩阵乘法，得到症状集表示；将所述症状集表示输入多层感知机，模拟症候推断，得到症候的表示；S5、将所述症候的表示与草药侧图表示做交互，获得各个草药对应的推荐概率。2.根据权利要求1所述的一种基于多图融合的图卷积草药推荐方法，其特征在于，所述将所述症候的表示与草药侧图表示做交互，获得各个草药对应的推荐概率，包括：利用概率向量表示草药的推荐概率：其中，是模型输出的M维度概率向量；θ是函数f(
·
)的可训练的参数，S为多热码症状集，用于指示症状是否存在；H＝{h1，h2，
…
，h
M
}表示中医处方数据中的所有草药的集合；在所述M维度概率向量中，向量的第i维的值表示草药h
i
能够治疗给定症状集的概率。3.根据权利要求1所述的一种基于多图融合的图卷积草药推荐方法，其特征在于，所述根据所述中医处方数据，构建症状表示侧的第一症状
‑
草药共现图；根据所述中医处方数据，构建草药表示侧的第二症状
‑
草药共现图；包括：获取中医处方数据中的所有处方；根据处方中出现的所有草药，构建草药集合H＝{h1，h2，
…
，h
j
}；根据处方中出现的所有症状，构建症状集合S＝{s1，s2，
…
，s
i
}；根据每一个处方中草药与症状的共现情况，构建症状
‑
草药共现边集S
‑
H＝{(s1，h1)，
…
，(s1，h
j
)，
…
，(s
i
，h1)，
…
，(s
i
，h
j
)}；所述症状
‑
草药共现边集中的元素的数学表示形式均为：根据症状
‑
草药共现边集，分别构建第一症状
‑
草药共现图和第二症状
‑
草药共现图。4.根据权利要求1所述的一种基于多图融合的图卷积草药推荐方法，其特征在于，所述根据所述中医处方数据，构建症状表示侧的症状
‑
症状共现图，包括：
获取中医处方数据中的所有处方；根据处方中出现的所有症状，构建症状集合S＝{s1，s2，
…
，s
i
}；根据每一个处方中症状与症状的共现情况，建立若干症状对(s
i
，s
j
)，记录每一个症状对(s
i
，s
j
)对应的出现次数T1；将所述出现次数T1与预设的阈值T
S
相比对，获取所有出现次数大于阈值的症状对；利用出现次数T1大于阈值T
S
的症状对构建症状
‑
症状共现边集；S
‑
S＝{(s1，s1)，
…
，(s1，s
i
)，
…
，(s
i
，s1)，
…
，(s
i
，s
i
)}利用所述症状
‑
症状共现边集，构建症状
‑
症状共现图。5.根据权利要求1所述的一种基于多图融合的图卷积草药推荐方法，其特征在于，所述根据所述中医处方数据，构建症状表示侧的草药
‑
草药共现图，包括：获取中医处方数据中的所有处方；根据处方中出现的所有草药，构建草药集合H＝{h1，h2，
…
，h
j
}；根据每一个处方中草药与草药的共现情况，建立若干草药对(h
i
，h
j
)，记录每一个草药对(h
i
，h
j
)对应的出现次数T2；将所述出现次数T2与预设的阈值T
H
相比对，获取所有出现次数大于阈值的草药对；利用出现次数T2大于阈值T
H
的草药对构建草药
‑
草药共现边集；H
‑
H＝{(h1,h1),
…
,(h1,h
i
),
…
,(h
i
,h1),
…
,(h
i
,h
i
)}利用所述草药
‑

【专利技术属性】
技术研发人员：何春华，谢柏淘，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：