CN119339917B 一种基于协同过滤的中医证素预测方法 （北京大学）

本发明涉及一种基于协同过滤的中医证素现有技术中证素预测准确性低的问题。方法包多任务包括证素预测任务和证候预测任务将待预测患者的症状描述信息输入训练好的证素预2获取患者的症状描述信息和对应的证候及证素构建训构建多任务神经协同过滤网络，基于所述训浅层特征提取模块，用于基于样本中的症状描述信息提取样本相对于证素的线性特特征融合模块，用于将所述样本相对于同一证素的深层协同过滤模块，用于将所述样本相对于每个证素的融合特征与证素合模块采用以下公式得到样本相对于所述证基于症状语料库对所述训练样本集中的每条原始样本进行数据3基于所述原始症状描述词生成肯定症状描述词；基随机从所述症状语料库中抽取症状描述词与所述样本的对于每一步随机抽取，基于第一概率确定采用第一方式生成若采用第一方式生成否定症状描述词，则随机从否定词缀库若采用第二方式生成否定症状描述词，则从症状语料库随机抽其中，m表示当前训练批次的原始样本数量，LEi表示第LE表示第i个原始样本对应的合成正样本的证素预测损失，LSi表示第i个原始样本的证始样本与对应的合成正样本及合成负样本间的距离损式计算第i个原始样本与对应的合成正样本及合成SL45[0005]鉴于上述的分析，本发明实施例旨在提供一种基于协同过滤的中医证素预测方[0009]将待预测患者的症状描述信息输入训练好的证素预测模型得到患者的证素预测67原始样本与对应的合成正样本及合成负样本间的样本和合成负样本对应的解码结果计算原始样本与对应的合成正样本及合成负样本间的[0037]基于上述方法的进一步改进，采用以下公式计算第i个原始样本与对应的合成正89的症状预测是否存在对应证素。具体而言，基于模型的方法可以抽象为学习jiy=f(i,j10),特征提取模块采用深度学习提取样本相对于不块提取样本相对于对应证素的深层特征。第i个样本相对于第j个证素的深层特征表示为症状描述信息对应的向量xi输入编码器进行深层j个证素相对于第d个特征域的特征向量表示为qf。若第i个患者属于第d个特征域，则第j个证素相对于第i个患者所属特征域的特征表示为af(i)。[0072]为了更好的挖掘不同分类的证素的预测效果，分别引入病位与病性的嵌入向量qp特征域的特征做内积，利用利用sigmoid激活函数得到第i个患者存在第j个证素的概率[0077]实施时，证候预测模块基于样本相对于所述证素的融合特征进行样本的证候预测损失和证素预测损失，通过mini_batch随机梯度下降算法来反向传播神经网络的梯度，[0103]对于每一步抽取，基于第一概率α确定采用第一方式还是第二方式生成否定描述[0104]若采用第一方式生成否定症状描述词，则先随机从否定[0119]将根据原始症状描述词生成肯定症状描述词与多步生成的否定症状描述词合在[0124]实施时，可采用预训练的Bert模型分别将第i个原始样本对应的合成正样本和合[0125]将合成正样本和合成负样本的向量表示分别输入深层特征提取模块提取合成正和合成负样本的向量表示分别输入浅层特征提取模块提取合成正样本相对于每个证素的特征融合模块将合成负样本相对于每个证素的深层特征与线性特征融合得到合成负样本[0126]然后通过协同过滤模块将所述合成正样本相对于每个证素的融合特征与证素相原始样本与对应的合成正样本及合成负样本间的取模块提取的样本相对于每个证素的深层特征加和，将加和的结果输入解码器进行解码，[0134]具体的，采用以下公式计算第i个原始样本与