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！

龙图腾网获悉河南科技大学申请的专利一种基于知识图谱的中医处方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：CN116680412B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202310690324.1，技术领域涉及：G06F16/36；该发明授权一种基于知识图谱的中医处方推荐方法是由张明川;王琳;吴庆涛;徐文萱;朱军龙;赵旭辉;刘牧华;郑瑞娟;冀治航;张茉莉设计研发完成，并于2023-06-12向国家知识产权局提交的专利申请。

本一种基于知识图谱的中医处方推荐方法在说明书摘要公布了：一种基于知识图谱的中医处方推荐方法，应用了知识图嵌入模型、多头注意力机制、图卷积等将图谱特征与推荐系统相结合，综合考虑患者情况，进行中医处方推荐，以中医医案描述文本为研究对象，融合中医知识图谱信息，吸取名老中医的临床对症下药经验，充分综合考虑药性、功效、病情和患者的体质等多个个性化因素，在于依据中医的整体论原则及辨证论治的思想，根据患者的不同症状和病情归纳证候选择不同的药材组合，提出融合知识图谱的中医处方推荐方法，考虑个人体征及症状和药物之间的复杂关系，结合每个处方具体分析局部规律，为医生和患者推荐更可靠的处方药材，为中医临床诊疗提供辅助决策支持。

本发明授权一种基于知识图谱的中医处方推荐方法在权利要求书中公布了：1.一种基于知识图谱的中医处方推荐方法，其特征在于，包括以下步骤：步骤一、收集中医数据并对数据进行预处理，去除重复数据、标准化实体名称；步骤二、对预处理后的中医数据进行命名实体识别和关系抽取，得到实体集合E和关系集合R，将实体集合E中的实体要素作为节点，将关系集合R中的关系要素作为节点之间的连线，构建中医知识图谱；步骤三、采用ComplEx模型对中医知识图谱进行表示学习，在中医知识图谱中选出所有症状节点和所有中药节点，并选出与症状节点或中药节点存在关系连线的年龄信息节点、性别信息节点、效用信息节点、药性信息节点、证候信息节点和治法治则信息节点，将上述选出的节点分别表示为复数向量，然后分别计算融合其它信息的症状节点向量表示s'和融合其它信息的中药节点向量表示h'： ；上式中，s为症状节点向量表示，h为中药节点向量表示，a为年龄向量表示，Wa为年龄权重矩阵，g为性别向量表示，Wg为性别权重矩阵，tr为治法治则向量表示，Wtr为治法治则权重矩阵，ef为效用向量表示，Wef为效用权重矩阵，p为药性向量表示，Wpr为药性权重矩阵，sy为证候向量表示，Wsy为证候权重矩阵；然后通过ComplEx模型的嵌入层对融合其它信息的症状节点向量表示s'和融合其它信息的中药节点向量表示h'进行基于张量的知识图嵌入，将融合其它信息的症状节点向量表示s'映射到低维向量空间，得到使用图嵌入模型后的症状节点向量表示e's，并将融合其它信息的中药节点向量表示h'映射到低维向量空间，得到使用图嵌入模型后的中药节点向量表示e'h；然后通过ComplEx模型的得分函数P（e's，r，e'h）对ComplEx模型进行训练并生成推荐训练集；将使用图嵌入模型后的症状节点向量表示e's和使用图嵌入模型后的中药节点向量表示分别表示为： ；上式中，Re（e's）为e's的实部，Re（e'h）为e'h的实部，Im（e's）为e's的虚部，Im（e's）为e'h的虚部；得分函数P（e's，r，e'h）的公式为： ； ；上式中，r为e's和e'h之间的关系向量表示，σ为激活函数，Re（r）为r的实部，Im（r）为r的虚部；步骤四、根据推荐训练集中KG实体的覆盖率，对ComplEx模型经过训练学习到的实体嵌入向量进行冻结或微调： ；上式中，表示对实体嵌入向量进行冻结，表示对实体嵌入向量进行微调，threshold为实体覆盖率的判定阈值；步骤五、通过图卷积神经网络学习症状节点自身特征信息rs和中药节点自身特征信息rh，症状节点自身特征信息rs通过症状节点在图卷积神经网络中每一层的向量表示获得，中药节点自身特征信息rh通过中药节点在图卷积神经网络中每一层的向量表示获得；对于症状节点s，其一跳邻居中药节点集合为Ns，第k层邻居节点的消息为： ；症状节点s在图卷积神经网络中第k层的向量表示为： ；上式中，为症状节点的相邻节点数量，为症状节点在第k层的权重矩阵，为偏置项，tanh为激活函数，CONCAT为向量拼接操作，为第k-1层中药节点传递给症状节点的信息；对于中药节点h，其一跳邻居症状节点集合为Nh，第k层邻居节点的消息为： ；中药节点h在图卷积神经网络中第k层的向量表示为： ；上式中，为中药节点的相邻节点数量，为中药节点在第k层的权重矩阵，为偏置项，tanh为激活函数，CONCAT为向量拼接操作，为第k-1层症状节点传递给中药节点的信息；步骤六、采用注意力机制将图谱特征与推荐系统相结合，根据使用图嵌入模型后的症状节点向量表示e's和症状节点自身特征信息rs得到症状节点的Query矩阵、Key矩阵和Value矩阵： ；根据使用图嵌入模型后的中药节点向量表示e'h和中药节点自身特征信息rh得到中药节点的Query矩阵、Key矩阵和Value矩阵： ； 分别为从多头注意力层中的三个线性变换层学到的参数矩阵；然后通过softmax函数计算症状节点的注意力矩阵As和中药节点的注意力矩阵Ah： ，式中dk为维度值；然后求得症状节点的融合表示向量es*和中药节点的融合表示向量eh*： ；步骤七、根据所需辨别的症状实体集合sc构建多热向量xsc： ；根据症状节点的融合表示向量es*得到总体症状矩阵Es*： ；然后将多热向量xsc作为掩码，对总体症状矩阵Es*进行抽取，得到辨别证候矩阵Msc： ，通过diag函数将多热向量xsc转换为一个对角矩阵，并使辨别证候矩阵Msc中的非零行对应于症状实体集合sc中的症状节点的融合表示向量es*；然后采用平均池化操作对辨别证候矩阵Msc进行单一归纳，得到单一表示向量esc： ；将单一表示向量esc输入到多层感知机中，进行证候归纳，得到最终证候表示：多层感知机的表达式为： ；上式中，WL为第L层的权重矩阵，bL为第L层的偏置项，ReLU为非线性激活函数；将多层感知机的输出作为最终证候表示向量ez，即ez=hL；步骤八、根据中药节点的融合表示向量eh*得到总体中药矩阵EH*： ；然后根据最终辨别向量ez和总体中药矩阵EH*得到预测概率向量m（sc）： ，σ为激活函数；对于每个候选中药，计算其预测概率与真实标签之间的二元交叉熵损失，并对所有中药求和，假设有H个候选中药，对于症状实体集合sc，通过m（sc）得到一个H维的预测概率向量，记为，模型选择m（sc）中概率最高的前k个中药作为推荐给症状sc的中药处方。

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河南科技大学，其通讯地址为：471000 河南省洛阳市涧西区西苑路48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”。