人工智能自动组方实习笔记—基于欧式距离方剂推荐

最新推荐文章于 2022-11-27 23:58:26 发布

BJUT赵亮

最新推荐文章于 2022-11-27 23:58:26 发布

阅读量691

点赞数

分类专栏：人工智能自动组方文章标签：北京工业大学赵亮欧式距离

本文链接：https://blog.csdn.net/qq_22235017/article/details/83384783

版权

本文介绍了如何使用欧式距离进行方剂推荐。通过对带下病数据的人工标注和预处理，减少病症类别，构建病症药方矩阵。接着，计算输入病例与药方的相似度和拟合程度，按排名推荐药方。

摘要由CSDN通过智能技术生成

根据病症相似性进行匹配推荐药方

对于有证型标签的279条带下病的数据进行人工标注实体分为病名、病症、证型、治疗方法四个类别，其列表长度分别为37、1082、62、183
对于1082维的病症类别，通过与中医字典进行对比，计算L式编辑距离与人工操作，将病症化简为471种病症，得到有关带下病病症字典，其中默认每种病症的第一个描述方式为标准描述方式。(例：[偏头痛头偏痛偏头风偏正头风]为描述同一种病症的不同表达，所以将其合并成一个病症,默认第一个描述方法“偏头痛”为标准描述方式)
将有关带下病的279条数据依据得到的病症字典转化为onehot向量，并计算在279条药方中471类病症出现的频数，将病症仅出现了0,1,2次的病症删除，进一步降低了字典维度。删除低频病症之后得到一个165维的字典。
利用降维之后的新字典再对药方数据转化为onehot向量，得到一个 165$$279的病症药方矩阵。
将病例所输入的病情描述通过实体识别（待）得到其病症实体，并通过字典匹配得到输入病例的病症onehot向量。

关注

专栏目录