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
<