CN119517319A 一种基于知识驱动与残差注意力网络的中药推 荐方法 （湖南中医药大学）_第1页
CN119517319A 一种基于知识驱动与残差注意力网络的中药推 荐方法 （湖南中医药大学）_第2页
CN119517319A 一种基于知识驱动与残差注意力网络的中药推 荐方法 （湖南中医药大学）_第3页
CN119517319A 一种基于知识驱动与残差注意力网络的中药推 荐方法 （湖南中医药大学）_第4页
CN119517319A 一种基于知识驱动与残差注意力网络的中药推 荐方法 （湖南中医药大学）_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于知识驱动与残差注意力网络的中本发明公开了一种基于知识驱动与残差注根据所给症状集合推荐合适的中药集合。2语为标准对收集方剂数据中所出现的症状进行S202，症状语义特征预训练，为在方剂中抽取症3h}表示SHHG中的症ij)代表症状和中药之间是否存在相互作用；ij)表示症状之间是否存在共现关系；HH表示HHIG中所有中药节点的集ij)表示中药之间是否存在共现关系；4图SHHG中融合症状和中药的交互信息作为症状特征和中药特征S403，中药推荐，在获取每组症状表示之后，可计在得到每组症状的最终预测分数后，采用有sigmoid激活函数的二元交叉熵损失函数5(GraphAttentionNetwork,GAT)作为深度学习中具有代表性的方法之一，可以有效地捕捉6并利用残差结构对实体特征进行增强；状术语为标准对收集方剂数据中所出现的症状进行7[0039]最后，将图SSIG中学到的所有症状特征表示为HHIG中学习的中药特征表示为ef,在图SHHG中融合症状和中药的交互信息作为症状特征和中药特征8[0048]在得到每组症状的最终预测分数后，采用有sigmoid激活函数的二元交叉熵损失9并利用残差结构对实体特征进行增强；状术语为标准对收集方剂数据中所出现的症状进行[0102]最后，将图SSIG中学到的所有症状特征表示为HHIG中学习的中药特征表示为ef,在图SHHG中融合症状和中药的交互信息作为症状特征和中药特征[0110]js[0111]在得到每组症状的最终预测分数后，采用有sigmoid激活函数的二元交叉熵损失表示推荐中药的数量，由于方剂中的中药数量普遍在15[0118]Precision@N表示预测前N个中药为正确中药的准确性，其中RN([0121]NeuralGraphCollaborativeFiltering(NGCF)：一种基于协同过滤的推荐模[0123]本发明所有实验都在一台搭载IntelCorei7_10700CPU和NVIDIAGeForceRTX[0126]表6展示了四种基线模型在数据集上进行中药推荐实验的结果，其中TCMRec是本F1_score@10和F1_score@20上的性能分别比表现较好的NGCF高出56.67％、46.25％和主要聚焦于症状与中药的直接交互关系，而忽略了症状与症状之间可能存在的潜在联系。LightGCN专注于通过线性传播来获取症状和中药的特征，但这种简化的图卷积在学习局Precision@10的实验结果，其中灰色方框

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论