SMRGAT:一种传统的中国草药推模型,基于多图形剩余注意网络和语义知识融合

科学领域:

• 药理学 药理学是指药理学的学科.
• 计算医学是一种计算医学.
• 传统中国医药 传统中国医药

背景情况:

• 传统中国医学 (TCM) 依赖于不同的理论和临床经验来制定处方.
• 目前的草药推方法往往忽视了症状语义和草药特异性疗效.
• 提高TCM处方疗效和降低毒性是临床的关键目标.

研究的目的:

• 开发一种新的草药推模型,考虑症状语义信息和草药疗效.
• 提高TCM中草药建议的准确性和相关性.

主要方法:

• 提出了多图残留注意网络和语义知识融合 (SMRGAT) 模型.
• 利用多头注意力机制来衡量草药对症状的影响.
• 集成的剩余网络和外部知识用于增强实体特征表示.

主要成果:

• 在公开和收集的数据集上,SMRGAT显示了与现有模型相比的显著改进.
• 在公开数据集上实现了15.11% (Precision@5),20.60% (Recall@5) 和18.25% (F1-score@5) 的增长.
• 在收集的数据集上显示了9.72% (Precision@5),9.03% (Recall@5) 和9.24% (F1-score@5) 的改进.

结论:

• SMRGAT有效地推了具有卓越精度的TCM草药.
• 该模型在草药推任务中胜过了几种既定的比较方法.
• 这些发现为协助TCM从业者在临床处方开发方面提供了基础.