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！

龙图腾网获悉重庆邮电大学申请的专利一种基于自监督对比学习和语义增强的草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：CN119760220B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411724586.6，技术领域涉及：G06F16/9535；该发明授权一种基于自监督对比学习和语义增强的草药推荐方法是由唐贤伦;唐瑜泽;刘庆;江欣彦;邓武权;陈秋;党晓圆;汪应;王乐君设计研发完成，并于2024-11-28向国家知识产权局提交的专利申请。

本一种基于自监督对比学习和语义增强的草药推荐方法在说明书摘要公布了：本发明请求保护一种基于自监督对比学习和语义增强的草药推荐方法。首先使用Word2vec单词嵌入算法，结合症状和草药的语义信息，训练症状和草药的特征表示。然后，构建症状‑草药二部图、症状‑症状协同图和草药‑草药协同图结构，以捕捉症状和草药之间不同类型的关系。利用残差图卷积神经网络聚合邻居节点的特征来更新当前节点的表示，并通过对协同图和二部图进行节点或边的随机丢弃，生成增强的子图。对这些子图进行编码后，采用自监督对比学习方法计算节点之间的对比损失。接着，融合来自不同图的信息，计算草药对症状集合的治疗评分。最后，结合交叉熵损失、Topk损失和对比损失，使用自适应优化算法调整模型的梯度，提高了草药推荐的准确性和可靠性。

本发明授权一种基于自监督对比学习和语义增强的草药推荐方法在权利要求书中公布了：1.一种基于自监督对比学习和语义增强的草药推荐方法，其特征在于，包括以下步骤： 步骤1：使用Word2vec单词嵌入算法，结合症状和草药的语义信息来训练症状和草药的特征表示； 步骤2：根据症状和草药之间的不同关系类型，构建多个图结构，包括：症状-草药二部图、症状-症状协同图、草药-草药协同图； 步骤3：利用残差图卷积神经网络聚合邻域节点的表示来更新当前节点的表示； 步骤4：对协同图和二部图进行节点丢弃或者边缘丢弃，生成增强子图； 步骤5：在对增强子图进行编码后，利用自监督对比学习方法，计算子图节点之间的对比损失； 步骤6：将来自不同图的信息进行融合，计算草药能够治愈症状集的分数； 步骤7：结合交叉熵损失、Topk损失、对比损失，通过自适应优化算法调整梯度的大小和方向来优化模型； 所述步骤3：利用残差图卷积神经网络聚合邻域节点的表示来更新当前节点的表示，具体为： 将步骤1得到的每个实体节点的Word2Vec嵌入通过一个线性层进行更新； 在步骤2得到的每个图上分别执行嵌入传播，得到每个图中每个节点的邻域表示；然后，构造一个残差结构来增强图中每个节点的特征，二部图中存在两种类型的节点即症状和草药，使用两个独立的GCN来分别对症状节点和草药节点进行嵌入传播；在每个图中通过上式不断聚合更新节点表示；最终，在图中得到的最后一层症状嵌入记为bs，草药嵌入记为bh，图中得到的最后一层症状嵌入记为c，图中得到的最后一层草药嵌入记为c 所述步骤6：将来自不同图的信息进行融合，计算草药能够治愈症状集的分数，具体为： 在获得多图嵌入之后，用CAT或SUM运算将症状和草药来自不同图的多角度信息进行组合，最终得到症状和草药的完整嵌入信息； ＝COMBINEb,c，e＝COMBINEb,c 其中e和e分别代表最终的症状嵌入和草药嵌入，COMBINE·表示CAT或SUM操作；接着根据下式将处方中症状集的Multi-hot编码与所有症状的嵌入交互，得到症状集的综合嵌入； syn＝ReLUWmeanP·E+b 其中，P是处方中症状集的一个Multi-hot编码矩阵，E是所有症状堆叠的嵌入矩阵，mean·是平均池化层；接下来计算所有草药能治愈症状集的分数，公式如下： 其中E是所有草药堆叠的嵌入矩阵，σ·是Sigmoid激活函数。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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。