买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利基于证候信息的图神经网络中药推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115171842B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210870609.9，技术领域涉及：G16H20/10；该发明授权基于证候信息的图神经网络中药推荐方法是由王晓玲;黄佳胤;岳文静;纪文迪设计研发完成，并于2022-07-22向国家知识产权局提交的专利申请。

本基于证候信息的图神经网络中药推荐方法在说明书摘要公布了：本发明公开了一种基于证候信息的图神经网络中药推荐方法，获取若干病症‑中药数据并按照证候进行分类，划分得到各个症候分类的病症‑中药数据集合，根据每个病症‑中药数据集合构建病症‑中药矩阵，构建包含所有病症和中药的图神经网络，基于所有证候分类的病症‑中药矩阵进行传播，得到病症、中药的嵌入表示向量，构建并训练得到中药推荐模型；当需要针对某个疾病进行中药推荐时，首先确定该疾病所包含的病症集合，然后基于图神经网络获取病症集合中各个病症的嵌入表示向量，将嵌入表示向量输入训练好的中药推荐模型，根据模型输出的得分函数选择得分较高的中药作为推荐中药。本发明将证候信息融入到图神经网络中，提升中药推荐的准确度。

本发明授权基于证候信息的图神经网络中药推荐方法在权利要求书中公布了：1.一种基于证候信息的图神经网络中药推荐方法，其特征在于，包括以下步骤： S1：根据实际需要获取若干病症‑中药数据，每条数据中包含病症、治疗病症所需的中药集合以及病症所属证候，根据实际需要将证候分类，得到K个证候分类，将所有病症‑中药数据按照所属证候分类划分为K个病症‑中药数据集合；对于每个证候分类的病症‑中药数据集合，分别构建大小为M×N的病症‑中药矩阵，M表示病症的总数，N表示中药的总数，如果某个病症在治疗时需要使用到某个中药，病症‑中药矩阵中对应元素为1，否则为0； S2：构建图神经网络，其节点包括M个病症和N个中药，节点之间的关系为一种证候分类，然后基于K个证候分类的病症‑中药矩阵进行L层传播，得到病症、中药的嵌入表示向量，具体方法如下： S2.1：根据实际需要初始化传播层数为0时的各个病症、中药的嵌入表示向量，记第m个病症的初始嵌入表示向量为第n个中药的初始嵌入表示向量为同时初始化各个证候的嵌入表示向量，记第k个证候的初始嵌入表示向量为S2.2：令传播层数i＝1； S2.3：分别基于每个证候分类的病症‑中药矩阵进行第i层传播，其中病症节点的传播公式如下： 其中，表示第m个病症根据第k个证候的病症‑中药矩阵在第i层传播后的嵌入表示向量，表示第m个病症根据第k个证候的病症‑中药矩阵得到的邻居节点集合，n′表示属于第m个病症邻居节点集合的中药节点，表示中药节点n′根据第k个证候的病症‑中药矩阵得到的邻居节点集合，||表示求取节点集合中的节点数量，Wi是预设的第i层模型参数，⊙表示对应元素相乘，表示中药节点n′在第i‑1层的嵌入表示向量，表示第m个病症所对应证候分类km在第i‑1层的嵌入表示向量，σ表示激活函数； 中药节点的传播公式如下： 其中，表示第n个中药根据第k个证候的病症‑中药矩阵在第i层传播后的嵌入表示向量，表示第n个中药根据第k个证候的病症‑中药矩阵得到的邻居节点集合，m′表示属于第n个中药邻居节点集合的病症节点，表示病症节点m′根据第k个证候的病症‑中药矩阵得到的邻居节点集合，表示病症节点m′在第i‑1层的嵌入表示向量，表示病症节点m′所对应证候分类km′在第i‑1层的嵌入表示向量； 对于每个病症或中药，将其根据K个病症‑中药矩阵所得到的K个在第i层传播后的嵌入表示向量进行加权融合，得到最终第i层传播后的嵌入表示向量，计算公式如下： 其中，λk表示预设的第k个证候的权重，且S2.4：证候的嵌入表示向量的传播公式如下： 其中，表示第k个证候在第i层传播后的嵌入表示向量，表示预设的第i层模型的证候传播参数； S2.5：判断是否i＜L，如果是，进入步骤S2.6，否则进入步骤S2.7； S2.6：令i＝i+1，返回步骤S2.3； S2.7：对于病症、中药和证候，将各层传播得到嵌入表示向量进行平均，得到最终的嵌入表示向量，计算公式分别如下： S3：构建中药推荐模型，包括平均池化模块、多层感知机和得分计算模块，其中平均池化模块用于对输入的多个病症的嵌入表示向量进行平均池化，将得到的特征向量输入多层感知机，多层感知机提取得到病症的归纳嵌入表示向量并发送至得分计算模块，得分计算模块根据采用如下公式计算得到中药的得分向量： 其中，表示N维得分向量，得分向量中第n个元素即为第n个中药的得分，E表示病症的归纳嵌入表示向量，上标T表示转置，G表示病症的归纳嵌入表示向量E所对应证候所属的证候分类的嵌入表示向量，归纳嵌入表示向量E的证候即为输入的多个病症所对应的证候，diagG表示以证候嵌入表示向量G的元素为对角线元素的对角矩阵，F表示由N个中药的嵌入表示向量作为行向量的中药嵌入表示矩阵； S4：采用步骤S1中的症状‑中药数据对中药推荐模型进行训练，具体方法为：在同一证候分类下随机抽取若干个病症构成训练病症集合，获取训练病症集合中各个病症的嵌入表示向量，然后采用如下方法得到该训练病症集合的实际得分向量：对于每个中药，如果属于本次抽取病症中某个病症治疗所需的中药集合，则得分为1，否则得分为0，根据N个中药的得分构建实际得分向量Y； 将D个病症的嵌入表示向量输入中药推荐模型，将实际得分向量Y作为期望输出，对中药推荐模型进行训练； S5：当需要针对某个疾病进行中药推荐时，首先确定该疾病中属于同一个证候分类的病症集合，获取病症集合中各个病症的嵌入表示向量，将嵌入表示向量输入训练好的中药推荐模型，根据输出的得分函数选取得分最高的前Q个中药作为推荐的中药，Q的值根据具体需要设置。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200062 上海市普陀区中山北路3663号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。