ICDE2020|多图卷积网络在草药推荐中的应用

Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network

Yuanyuan Jin, Wei Zhang, Xiangnan He, Xinyu Wang, Xiaoling Wang

East China Normal University,  University of Science and Technology of Chin, Xiaoling Wang

http://staff.ustc.edu.cn/~hexn/papers/icde20-MultiGraph-GCN.pdf

草药推荐在传统中医的诊治过程中具有重要作用，该任务旨在推荐一些能够治疗患者症状的草药。

至今，已有多种机器学习方法用于草药推荐，现有做法局限在于只对草药和症状之间的关联进行建模，忽略了症候诱导的中间过程。在中医诊断中，经验丰富的医生通常根据患者的症状进行诱导，然后基于诱导诊断来推荐草药。

因此，症候诱导，对症状的描述更全面，在草药推荐中比较重要，应该适当考虑这种因素。然而，由于症候诱导的歧义性和复杂性，大多数药方缺乏症候的精确真实数据。

 

这篇文章提出一种新的草药推荐方法，其中考虑了隐含症候诱导过程。具体而言，给定一些待治疗的症状，通过高效融合所有症候的嵌入，生成全面的症候表示，进而模拟医生的症候诱导。

为了学习症候嵌入，作者们根据药方来捕捉症候之间的共现模式关系，进而构建症候图。然后，可以基于症候-症候和症候-草药图构建图卷积网络（GCNs），进而可以学习症候嵌入。类似的，基于草药-草药和症候-草药图也可以构建GCNs，进而可以学习草药嵌入，然后可以跟症候表示结合进而预测草药的得分。

多图GCN结构的优势在于，可以得到针对症候和草药的更丰富的表示。在公开传统中医数据集上的大量实验表明，作者们所提出的方法显著优于STOA方法。

传统中医的诊断过程图示如下

这篇文章的主要贡献如下

下面是符号定义及问题描述

这篇文章的网络结构图如下

这篇文章的符号约定如下

双部图图示如下

症候草药图构建方式如下

信息构建方式如下

<