申请/专利权人：广东工业大学

申请日：2023-06-09

公开（公告）日：2024-03-19

公开（公告）号：CN116631612B

主分类号：G16H50/20

分类号：G16H50/20;G16H20/90;G16H20/10;G06F17/16;G06N3/0464;G06N3/08;G06F16/901

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.09.08#实质审查的生效;2023.08.22#公开

摘要：本发明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。

主权项：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；所述利用注意力机制，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，包括：分别对所有的第一症状-草药共现图嵌入进行非线性变换，得到对应的第一症状-草药共现图非线性嵌入；分别对所有的症状-症状共现图嵌入进行非线性变换，得到对应的症状-症状共现图非线性嵌入；利用多头神经注意力分别计算每一个第一症状-草药共现图非线性嵌入对应的第一权重以及每一个症状-症状共现图非线性嵌入对应的第二权重；根据所述第一权重以及第二权重，利用softmax函数分别计算每一个第一症状-草药共现图非线性嵌入以及每一个症状-症状共现图非线性嵌入中包含的症状节点嵌入对应的第一影响分数；根据所述第一影响分数以及对应的症状节点嵌入，加权求和得到症状侧图表示；所述第一权重定义为：αesh-s，Es＝Watt-sesh-s所述第二权重定义为：αess-s，Es＝Watt-sess-s其中，症状嵌入esh-s来自变换后的第一症状-草药共现图非线性嵌入，症状嵌入ess-s来自换后的症状-症状共现图非线性嵌入，Es＝{esh-s，ess-s}是从第一症状-草药共现图和症状-症状共现图中学习的症状嵌入的集合，Watt-s是症状表示侧的可训练的参数，也就是说症状侧的两个Watt-s是相同的；所述利用softmax函数分别计算每一个第一症状-草药共现图非线性嵌入以及每一个症状-症状共现图非线性嵌入中包含的症状节点嵌入对应的第一影响分数，包括： softmax函数用于将多分类输出转化为概率，包括两个步骤，在函数的分子中，通过指数函数将实数输出映射到零到正无穷，在函数的分母中，将所有的结果相加并进行归一化，最终影响分数其实际表示嵌入输出的概率；其中表示Es集合中的第i个元素，|Es|是用于学习症状嵌入的图的数量；所述根据所述第一影响分数以及对应的症状节点嵌入，加权求和得到症状侧图表示，包括： 其中，es表示融合了症状侧的两个共现图中的所有图嵌入后的症状侧图表示；所述利用注意力机制，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，包括：分别对所有的第二症状-草药共现图嵌入进行非线性变换，得到对应的第二症状-草药共现图非线性嵌入；分别对所有的草药-草药共现图嵌入进行非线性变换，得到对应的草药-草药共现图非线性嵌入；分别对所有的知识图嵌入进行非线性变换，得到对应的知识图非线性嵌入；利用多头神经注意力分别计算每一个第二症状-草药共现图嵌入对应的第三权重、每一个草药-草药共现图非线性嵌入对应的第四权重以及每一个知识图非线性嵌入对应的第五权重；根据所述第三权重、第四权重以及第五权重，利用softmax函数分别计算每一个草药节点嵌入对应的第二影响分数；根据所述第二影响分数以及对应的草药节点嵌入，加权求和得到草药侧图表示；所述第三权重的定义为：αesh-h，Eh＝Watt-hesh-h所述第四权重的定义为：αehh-h，Eh＝Watt-hehh-h所述第五权重的定义为：αekg-h，Eh＝Watt-hekg-h草药嵌入esh-h来自变换后的第二症状-草药共现图非线性嵌入，草药嵌入ehh-h来自变换后的草药-草药共现图非线性嵌入，草药嵌入ekg-h来自变换后的知识图非线性嵌入，Eh＝{esh-h，ehh-h，ekg-h}是从第二症状-草药共现图、草药-草药共现图和知识图中学习的经过变换后的草药嵌入的集合，Watt-h是草药表示侧的可训练的参数，草药侧的三个权重侧共享一个Watt-h；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。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于多图融合的图卷积草药推荐方法及计算机

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD