摘要目的 构建基于多层网络与随机游走的典籍辅助辨证模型,提升典籍辅助临床辨证的科学性与可靠性.方法 以大语言模型对古今临床辨证知识相似度判别筛选出的古籍条文进行命名实体识别;对BERT训练微调后形成证素预测模型——TCM-zs-Bert;最后,融合多层网络与随机游走算法,形成典籍辅助辨证模型——CLASD,判别证候.结果 采用Qwen2.5-1.5B识别古籍中的症状、舌象、脉象、病因病机、治则治法等5 类实体,其准确率为 0.866,召回率为 0.866,F1 值为 0.856;当F1 值和召回率大于或等于0.8 时,采用TCM-zs-Bert进行证素预测,实现输入古籍实体,输出证素和概率,如:输入症状类实体"能食,小便赤黄",输出病性火[热](0.965 6),病位胃(0.988 3);输入"症状+病因病机+治则治法"类实体"口不渴,多溲……邪热熏烁五脏;滋肾水,养津液",得出病性为火[热](0.990 3)和津(液)亏(0.044),病位为肾(0.305 3).多层网络中临床表现层网络节点为10个,证素层含57个节点,证型层含节点58 个;层间连边权重分别为证素概率、证素与证型的关系数值;CLASD模型判别结果如:LCBX-1对应热盛伤津证(0.130 0),肺胃热盛证(0.086 0),心肺两虚证(0.076 0)等;LCBX-2对应阴虚阳亢证(0.565 0),肾阴阳两虚证(0.058 0),肝肾两虚证(0.052 0)等;对比CLASD预测结果与现代诊疗指南得AUC值为0.77,证实CLASD性能较好.结论 通过机器学习和多层网络随机游走实现了证素预测与证候判别,构建了以"临床表现-典籍原文-证素判别-证候推理"为路径的典籍辅助辨证模型,提升典籍辅助辨证诊断的科学性与客观化,为典籍知识辅助临床决策提供新方法.