换一批基于图卷积网络的《伤寒论》异质图构建及节点表示学习方法
Heterogeneous graph construction and node representation learning method of Treatise on Febrile Diseases based on graph convolutional network
摘要目的 基于图卷积神经网络,构建《伤寒论》"症状-方剂-中药"异质图并探寻节点向量表示的最优学习方法.方法 从《伤寒论》含处方的条文中提取出症状、方剂、中药信息,构建"症状-方剂-中药"异质图,基于图卷积网络提出一种"症状-方剂-中药"异质图节点表示学习方法—中医图卷积网络(TCM-GCN),利用TCM-GCN分别对症状-方剂、症状-中药、方剂-中药异质图进行学习,基于消息传递和邻居聚合进行高阶传播得到节点的表示特征向量,获得症状、方剂、中药三类节点表示集合,为下游诊断预测模型任务的顺利开展提供基础.结果 通过多热编码、非融合编码、融合编码三种节点表示方式在模型预测实验中对比发现,融合编码方式获得了相对较高的精准率、召回率和F1-score值,其Precision@10、Recall@10和F1-score@10值较非融合编码分别提升了9.77％、6.65％和8.30％.结论 融合编码方式生成的节点表示在实验中取得了较好效果,表明《伤寒论》异质图节点表示TCM-GCN方法的有效性,也将提升其在下游诊断预测任务上的性能.
更多相关知识
关键词
图卷积网络异质图《伤寒论》异质图节点表示节点表示学习Graph convolutional network (GCN)Heterogeneous graphTreatise on Febrile Diseases (Shang Han Lun,《伤寒论》)Node representations on heterogen-eous graphNode representation learning
DOI
10.1016/j.dcmed.2022.12.007
发布时间
2023-03-09（万方平台首次上网日期，不代表论文的发表时间）
- 浏览36
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
