基于罕见病的图模型训练方法、应用方法及相关设备技术

本发明专利技术公开了一种基于罕见病的图模型训练方法、应用方法及相关设备，所述方法包括：从历史罕见病信息以及各罕见病关联的医学信息中，确定多个实体，以及各实体之间的关联关系；根据实体，以及实体之间的关联关系，确定异构图，并将异构图输入初始图模型中；异构图包括节点和连接边，节点用于表征罕见病中的实体，连接边用于连接具有关联关系的两个实体；确定异构图中每个节点的初始向量，以及确定异构图中的目标节点的多个邻居节点；对目标节点的初始向量以及目标节点对应的邻居节点的初始向量进行聚合，得到目标节点的目标向量，直到满足训练结束，将得到的模型作为图模型，采用本发明专利技术提高对罕见病的数据分析的准确率。

【技术实现步骤摘要】

本专利技术涉及数据处理领域，尤其涉及一种基于罕见病的图模型训练方法、应用方法及相关设备。

技术介绍

1、目前罕见病的数据分析过程存在医患信息不匹配、数据稀疏和复杂的症状-疾病关系等问题，导致针对罕见病进行数据处理的模型，难以从罕见病数据中学习到有效的模式。例如，基于机器学习的传统方法通常依赖大量的标记数据来训练模型，但在罕见病领域，这类数据通常不易获取。这导致对罕见病的数据分析的准确度低的问题。

技术实现思路

1、本专利技术实施例提供一种基于罕见病的图模型训练方法、应用方法及相关设备，以提高对罕见病的数据分析的准确率。

2、为了解决上述技术问题，本申请实施例提供一种基于罕见病的图模型训练方法，包括：

3、从历史罕见病信息以及各罕见病关联的医学信息中，确定多个实体，以及各所述实体之间的关联关系，其中，所述实体至少包括用户实体以及罕见病实体；

4、根据所述实体，以及所述实体之间的关联关系，确定异构图，并将所述异构图输入初始图模型中；所述异构图包括节点和连接边，所述节点用于表征所本文档来自技高网...

【技术保护点】

1.一种基于罕见病的图模型训练方法，其特征在于，所述基于罕见病的图模型训练方法包括：

2.如权利要求1所述的基于罕见病的图模型训练方法，其特征在于，所述确定所述异构图中每个所述节点的初始向量，包括：

3.如权利要求2所述的基于罕见病的图模型训练方法，其特征在于，所述节点类型包括属性节点、文本节点和图像节点，所述基于所述节点的节点类型，将所述节点输入所述初始图模型中与所述节点类型对应的编码层，包括：

4.如权利要求2所述的基于罕见病的图模型训练方法，其特征在于，所述确定所述异构图中的目标节点的多个邻居节点，包括：

5.如权利要求1至4任一项所...

【技术特征摘要】

1.一种基于罕见病的图模型训练方法，其特征在于，所述基于罕见病的图模型训练方法包括：

2.如权利要求1所述的基于罕见病的图模型训练方法，其特征在于，所述确定所述异构图中每个所述节点的初始向量，包括：

3.如权利要求2所述的基于罕见病的图模型训练方法，其特征在于，所述节点类型包括属性节点、文本节点和图像节点，所述基于所述节点的节点类型，将所述节点输入所述初始图模型中与所述节点类型对应的编码层，包括：

4.如权利要求2所述的基于罕见病的图模型训练方法，其特征在于，所述确定所述异构图中的目标节点的多个邻居节点，包括：

5.如权利要求1至4任一项所述的基于罕见病的图模型训练方法，其特征在于，所述对所述目标节点的初始向量以及所述目标节点对应的所述邻居节点的初始向量进行聚合，得到所述目标节点的目标向量，包括：

6.一种基于罕见病的图模型应用方法，其特...

【专利技术属性】
技术研发人员：陈妍，周国庆，何志威，彭镜，陈迅，党媛媛，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：