CN111738014B - 一种药物分类方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种药物分类方法、装置、设备及存储介质，涉及人工智能技术深度学习和知识图谱领域。具体实现方案为：获取待分类药物的药物标识；基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。本申请中将药物标识的相关数据输入到预先训练的药物分类模型，由药物分类模型输出分类标签，避免了人工进行药物分类的过程，解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。本方案可以采用云服务方式，具体应用于医疗大数据方面。

Description

一种药物分类方法、装置、设备及存储介质

技术领域

本申请实施例涉及数据处理技术，尤其涉及人工智能技术深度学习和知识图谱领域，特别涉及一种药物分类方法、装置、设备及存储介质。

背景技术

随着人们对身体健康重视程度的提升，医院每天需要接待大量用户，但医院工作量的增加可能引起开药错误等问题，因此，需要对药物进行更精确更快速的分类，以提高医生的工作效率。

目前对药物分类的方法主要是由医学专业人员，给圈定的药物标注分类标签，或者挖掘药物的相关成分，根据已有的成分与标签的映射关系表，确定药物的分类标签。人工成本极高，分类准确率受限于专业人员自身的水平，药物分类效率和准确率较低。

发明内容

本申请实施例提供了一种药物分类方法、装置、设备及存储介质，以提高药物分类的效率和准确度。

根据第一方面，提供了一种药物分类方法，该方法包括：

获取待分类药物的药物标识；

基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。

第二方面，提供了一种药物分类装置，该装置包括：

标识获取模块，用于获取待分类药物的药物标识；

标签确定模块，用于基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。

第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的药物分类方法。

第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的药物分类方法。

根据本申请的技术，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间，有效提高药物分类的效率和准确度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例的一种药物分类方法的流程示意图；

图2是根据本申请实施例的一种药物分类方法的流程示意图；

图3是根据本申请实施例的GCN网络的结构示意图；

图4是根据本申请实施例的一种药物分类方法的流程示意图；

图5是根据本申请实施例的一种药物分类装置的结构示意图；

图6是用来实现本申请实施例的药物分类方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请实施例提供的一种药物分类方法的流程示意图，本实施例可用于确定药物的分类标签的情况，该方法可以由一种药物分类装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于具体计算能力的电子设备中。如图1所示，本实施例提供的一种药物分类方法可以包括：

S110、获取待分类药物的药物标识。

其中，可以从药物标识数据库中获取待分类药物的药物标识，也可以由用户进行药物标识的输入。药物标识可以是药物名称或药物编号，是药物的唯一标识。例如，可以通过爬取解析药物网站的数据，解析其中的药物名称等信息，从而得到药物标识。

根据药物标识可以确定待分类药物的成分和适应症等文本信息。例如，根据用户操作从药物标识数据库中获取待分类药物的药物标识，该待分类药物的药物标识为药物名称，药物名称为“某感冒药”，则可以确定该待分类药物对应的适应症文本信息为“咳嗽、发烧和流鼻涕等症状”。通过获取药物标识可以简化药物相关文本信息的获取过程，避免信息获取错误，提高药物分类的效率。

S120、基于药物标识和预先训练出的药物分类模型，确定待分类药物的分类标签。

其中，药物分类模型为预先训练得出，可以是神经网络模型，用于确定待分类药物的分类标签，分类标签用于对不同药物进行区分，可以是药理标签或功效标签。根据药物标识得到待分类药物的适应症等数据，将药物标识输入到药物分类模型中，药物分类模型根据与该药物标识关联的适应症等数据，得到该待分类药物的分类标签。也可以将适应症等数据作为药物分类模型的输入，得到待分类药物的分类标签。

例如，分类标签为功效标签，功效标签可以分为“止痛”、“降糖”、“降压”和“消炎”等，某降压药的药物标识为001，将001输入到预先训练的药物分类模型中，可以得到该药物的分类标签为“降压”。

上述申请中的一个实施例具有如下优点或有益效果：通过将药物标识的相关数据输入到预先训练的药物分类模型中，可以由药物分类模型自动输出分类标签，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间。解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。

图2是根据本申请实施例提供的一种药物分类方法的流程示意图，本实施例以上述实施例为基础进行优化，用于确定药物的分类标签的情况，该方法可以由一种药物装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。

本实施例中，可选的，在获取待分类药物的药物标识之前，该方法还包括：获取药物集合中各药物的适应症表征数据和成分表征数据；根据各药物的适应症表征数据和成分表征数据，构建GCN；其中，GCN中包含多个节点，每个节点对应药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系。

如图2所示，本实施例提供的一种药物分类方法可以包括：

S210、获取药物集合中各药物的适应症表征数据和成分表征数据。

其中，药物集合中包括多个药物标识，每个药物标识对应其适应症表征数据和成分表征数据。药物的适应症表征数据和成分表征数据可以是由药物说明书中的适应症文本信息和成分文本信息所得到。例如，获取药物集合中的01号药物，其适应症文本信息为“咳嗽、发烧和流鼻涕等症状”，成分文本信息为“右美沙芬、布洛芬和抗组胺”，可以得到其适应症表征数据为[咳嗽发烧流鼻涕]，成分表征数据为[右美沙芬布洛芬抗组胺]。

本实施例中，可选的，药物的适应症表征数据的获取方法包括：将药物的适应症文本输入预先训练出的语义向量模型，获得语义向量模型的输出层的前一层输出的药物的适应症语义表示向量。

具体的，语义向量模型为预先训练得到的，能够输出药物的预测适应症语义表示向量的模型，预测适应症语义表示向量可以是药物的适应症的一种向量化的表达方式。将药物的适应症文本输入到预先训练出的语义向量模型中，语义向量模型的输出层得到的数据为预测的分类标签，在输出层前一层得到的数据为药物的适应症语义表示向量，适应症语义表示向量为对药物的适应症的向量化表达。通过语义向量模型得到适应症语义表示向量，提高适应症语义表示向量的生成效率，并使适应症表征数据以适应症语义表示向量的形式作为药物分类模型的输入，以便于由药物分类模型得到药物的分类标签，提高药物分类效率。

本实施例中，可选的，语义向量模型的训练方法包括：获取样本药物的适应症文本和分类标签；将样本药物的适应症文本输入语义向量模型，获得语义向量模型的输出层输出的预测分类标签；根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整语义向量模型中的权值参数。

具体的，样本药物的适应症文本可以从样本药物的说明书中获取，样本药物的分类标签由人工预先标注，不同适应症文本可对应不同的分类标签。将样本药物的适应症文本输入语义向量模型中，由语义向量模型的输出层得到预测分类标签。根据预测分类标签和样本药物的分类标签，计算语义向量模型的损失函数，根据损失函数值，调整语义向量模型中的权值参数。将适应症文本输入到调整后的语义向量模型中，通过反复训练，使预测分类标签与标注的药物的分类标签一致，语义向量模型训练完成。通过训练语义向量模型，可以提高适应症语义表示向量的生成效率和精度，从而提高药物分类效率。

示例性的，上述损失函数可以使用交叉熵损失函数，比如，Cross-Entropy Loss(交叉熵损失函数)。

本实施例中，可选的，语义向量模型包括：Ernie模型或BERT模型，Ernie模型为自然语言处理NLP预训练语言模型，BERT模型为双向编码器表示模型。

具体的，语义向量模型可以采用自然语言处理NLP(Natural languageProcessing，自然语言处理)预训练语言模型或双向编码器表示模型。自然语言处理NLP预训练语言模型可以是Ernie(Enhanced Representation from Knowledge Integration，知识增强语义表示)模型，双向编码器表示模型可以是BERT(Bidirectional EncoderRepresentation from Transformers)模型。通过采用Ernie模型或BERT模型，可以提高语义向量模型的预测效率，从而提高药物分类效率。

S220、根据各药物的适应症表征数据和成分表征数据，构建GCN。

其中，GCN(Graph Convolutional Network，图卷积神经网络)网络模型可以作为药物分类模型，GCN中包含多个节点，每个节点对应药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系。图3为GCN网络的结构示意图。图3中的GCN网络包括八个节点，第一节点301、第二节点302、第三节点303、第四节点304、第五节点305、第六节点306、第七节点307和第八节点308分别表示药物集合中的八种药物。根据药物的适应症表征数据，将适应症表征数据输入到每个节点的节点信息中。根据药物的成分表征数据，将具有相同成分的药物所对应的节点进行边连接，即构建一个药物和药物的关系矩阵，其中药物A和药物B有相同的成分，则药物A和药物B有边关系；反之则无。例如，第一节点301所对应的药物A与第三节点303所对应的药物B具有相同的组成成分，因此，将第一节点301与第三节点303进行连接。根据各药物的适应症表征数据和成分表征数据，得到节点信息和各节点之间的连接关系；根据节点信息和各节点之间的连接关系，构建出GCN网络模型，从而得到药物分类模型。

本实施例中，可选的，在构建GCN之后，该方法还包括：获取药物集合的第一子集中样本药物的适应症表征数据和分类标签；基于样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。

具体的，可以将药物集合分为第一子集和第二子集，第一子集是用于训练药物分类模型的样本药物集合，第二子集是用于使用训练好的药物分类模型，以得到药物分类标签的药物集合。第一子集中包括样本药物的适应症表征数据和分类标签，第一子集中的分类标签可以通过人工标注的方法得到，先将药物的组成成分与分类标签进行映射，再根据成分与分类标签的映射关系，以及第一子集中样本药物的组成成分，得到第一子集中样本药物的分类标签。第二子集中包括药物的适应症表征数据，不包括分类标签。从第一子集中获取样本药物的适应症表征数据和分类标签，根据样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。根据样本数据中的适应症表征数据，输出对应该适应症表征数据的分类标签，可以利用梯度下降法训练，使药物分类模型输出的分类标签与样本数据中的分类标签一致，完成对药物分类模型的训练。根据相同成分药物之间的边连接，节约药物的训练时间。通过对药物分类模型的训练，实现了药物分类模型的分类精确性，有效提高药物分类的效率。

本实施例中，可选的，药物分类模型包括图卷积神经网络GCN和全连接层网络。

具体的，药物分类模型为神经网络进行预先训练得出，可以在GCN网络后加入全连接层网络，构建药物分类模型，将适应症表征数据输入到GCN网络中，GCN网络的输出数据输入到全连接层网络中，由全连接层网络输出药物的分类标签，减少人工操作步骤，通过构建添加了全连接层的GCN网络模型，实现了对药物的自动分类，提高药物分类的准确度。

本实施例中，可选的，使用样本数据对药物分类模型进行训练，包括：将样本药物的适应症表征数据输入GCN，获取GCN输出的融合有图结构信息的药物特征向量；将药物特征向量输入全连接层网络，获得全连接层网络输出的预测分类标签；根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整药物分类模型中的权值参数和GCN中的节点信息。

具体的，药物分类模型由GCN和全连接层网络构建而成，将样本数据中的适应症表征数据输入到药物分类模型中，即将第一子集中样本药物的适应症表征数据输入到GCN中。由GCN输出的药物特征向量，药物特征向量是药物分类模型在分类过程中得到的中间向量。将药物特征向量输入到全连接层网络中，由全连接层网络输出预测的分类标签，即药物分类模型完成了一次预测。获取样本药物的分类标签，根据预测分类标签和样本药物的分类标签，进行损失函数的计算，得到损失函数值。根据损失函数值调整药物分类模型中的权值参数和GCN中的节点信息。通过使用多组样本数据对GCN和全连接层网络的反复训练，使药物分类模型输出的分类标签与样本药物的分类标签一致，从而完成药物分类模型的训练，提高药物分类模型的分类精度。

示例性的，上述损失函数可以使用交叉熵损失函数，比如，Cross-Entropy Loss。

S230、获取待分类药物的药物标识。

其中，根据待分类药物的药物标识，可以得到待分类药物的适应症表征数据和成分表征数据。

本实施例中，可选的，待分类药物为西药。

具体的，西药的说明书中包括药物组成成分，因此，可以得到待分类药物的成分表征数据，根据成分表征数据构建GCN网络，在确定待分类药物为西药时，使用GCN和全连接层网络进行分类标签的预测，实现对西药的分类的针对性和精确性。

S240、基于药物标识和预先训练出的药物分类模型，确定待分类药物的分类标签。

上述申请中的一个实施例具有如下优点或有益效果：通过获取药物的适应症表征数据和成分表征数据，来构建GCN网络，并对GCN网络和全连接层网络进行训练，使药物分类模型可以得到正确的药物分类标签，提高药物分类的正确率。将药物标识的相关数据输入到训练好的药物分类模型，由药物分类模型自动输出分类标签，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间。解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。

图4是根据本申请实施例提供的一种药物分类方法的流程示意图，本实施例以上述实施例为基础进行优化，用于确定药物的分类标签的情况，该方法可以由一种药物分类装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。

本实施例中，可选的，在获取待分类药物的药物标识之前，该方法还包括：获取样本药物的适应症表征数据和分类标签；基于样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。

如图4所示，本实施例提供的一种药物分类方法可以包括：

S410、获取样本药物的适应症表征数据和分类标签。

其中，将药物集合分为第一子集和第二子集，第一子集是用于训练药物分类模型的样本药物集合，第二子集是用于使用训练好的药物分类模型，以得到药物分类标签的药物集合。第一子集中包括样本药物的适应症表征数据和分类标签，第一子集中的分类标签可以通过人工标注的方法，先将药物的药理与分类标签进行映射，再根据药理与分类标签的映射关系，以及第一子集中样本药物的药理，得到第一子集中样本药物的分类标签。第二子集中包括药物的适应症表征数据，不包括分类标签。

可以根据语义向量模型获取药物的适应症表征数据，语义向量模型为预先训练得出的。将药物的适应症文本输入到预先训练出的语义向量模型中，由语义向量模型的输出层的前一层输出药物的适应症语义表示向量，作为适应症表征数据。

S420、基于样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。

其中，获取第一子集中样本药物的适应症表征数据和分类标签作为样本数据。将样本数据中的适应症表征数据作为药物分类模型的输入数据，根据输出的分类标签和样本数据中的分类标签，对药物分类模型进行训练。

本实施例中，可选的，药物分类模型包括全连接层网络。

具体的，药物分类模型为全连接层网络的模型，通过全连接层网络，得到分类标签，提高药物分类的效率，避免模型过于复杂，导致计算时间过长，节约药物分类时间。

本实施例中，可选的，使用样本数据对药物分类模型进行训练，包括：将样本药物的适应症表征数据输入全连接层网络，获得全连接层网络输出的预测分类标签；根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整全连接层网络中的权值参数。

具体的，样本药物的适应症表征数据为药物分类模型的输入数据，将输入数据输入到全连接层网络中，由全连接层网络输出预测分类标签，完成对药物分类标签的一次预测。获取样本数据中样本药物的分类标签，根据样本药物的分类标签和预测分类标签，进行损失函数的计算，得到损失函数值。根据损失函数值调整全连接层网络中的权值参数，完成药物分类模型的一次训练。通过使用多组样本数据对全连接层网络的反复训练，使药物分类模型输出的分类标签与样本药物的分类标签一致，从而完成药物分类模型的训练，提高药物分类模型的分类精度。

示例性的，上述损失函数可以使用交叉熵损失函数，比如，Cross-Entropy Loss。

S430、获取待分类药物的药物标识。

其中，可以通过爬取解析药物网站的数据，解析其中的药物名称等药物标识信息。根据待分类药物的药物标识，可以得到待分类药物的适应症表征数据。

本实施例中，可选的，待分类药物为中成药。

具体的，中成药的说明书中不包括成分表征数据，因此，不需要构建GCN网络，根据适应症表征数据即可得到分类标签。通过减少GCN的训练和使用，将中成药与西药的药物分类模型进行区分，在确定待分类药物为中成药时，使用全连接层网络进行分类标签的预测，实现了对中成药分类的针对性，提高了对中成药分类的效率。

S440、基于药物标识和预先训练出的药物分类模型，确定待分类药物的分类标签。

上述申请中的一个实施例具有如下优点或有益效果：通过获取药物的适应症表征数据，构建全连接层网络，并对全连接层网络进行训练，使药物分类模型可以得到正确的药物标签，提高药物分类的正确率。并将西药与中成药的药物分类模型进行区分，实现药物分类的针对性和精确性，有效节约分类时间。将药物标识的相关数据输入到训练好的药物分类模型，由药物分类模型自动输出分类标签，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间。解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。

需要说明的是，本方案可以采用云服务方式，具体应用于医疗大数据方面。即可以将本方案作为云服务部署于云服务端，通过调用部署的云服务可获得待分类药物的分类标签。

图5是根据本申请实施例提供的一种药物分类装置的结构示意图，可执行本申请实施例所提供的药物分类方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置500可以包括：

标识获取模块501，用于获取待分类药物的药物标识；

标签确定模块502，用于基于药物标识和预先训练出的药物分类模型，确定待分类药物的分类标签。

可选的，药物分类模型包括图卷积神经网络GCN和全连接层网络。

可选的，在获取待分类药物的药物标识之前，该装置还包括：

数据获取模块，用于获取药物集合中各药物的适应症表征数据和成分表征数据；

GCN构建模块，用于根据各药物的适应症表征数据和成分表征数据，构建GCN；

其中，GCN中包含多个节点，每个节点对应药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系。

可选的，在构建所述GCN之后，该装置还包括：

样本数据获取模块，用于获取药物集合的第一子集中样本药物的适应症表征数据和分类标签；

分类模型训练模块，用于基于样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。

可选的，分类模型训练模块，包括：

特征向量获取单元，用于将样本药物的适应症表征数据输入GCN，获取GCN输出的融合有图结构信息的药物特征向量；

预测分类标签获得单元，用于将药物特征向量输入全连接层网络，获得全连接层网络输出的预测分类标签；

分类模型调整单元，用于根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整药物分类模型中的权值参数和GCN中的节点信息。

可选的，待分类药物为西药。

可选的，药物分类模型包括全连接层网络。

可选的，在获取待分类药物的药物标识之前，该装置还包括：

样本药物获取模块，用于获取样本药物的适应症表征数据和分类标签；

模型训练模块，用于基于样本药物的适应症表征数据和分类标签构建样本数据，使用样本数据对药物分类模型进行训练。

可选的，模型训练模块，包括：

预测标签输出单元，用于将样本药物的适应症表征数据输入全连接层网络，获得全连接层网络输出的预测分类标签；

全连接层调整单元，用于根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整全连接层网络中的权值参数。

可选的，待分类药物为中成药。

可选的，该装置还包括：

适应症数据获取模块，用于将药物的适应症文本输入预先训练出的语义向量模型，获得语义向量模型的输出层的前一层输出的药物的适应症语义表示向量。

可选的，该装置还包括：

语义向量模型训练模块，用于获取样本药物的适应症文本和分类标签；

将样本药物的适应症文本输入语义向量模型，获得语义向量模型的输出层输出的预测分类标签；

根据预测分类标签和样本药物的分类标签，确定损失函数值，根据损失函数值调整语义向量模型中的权值参数。

可选的，语义向量模型包括：Ernie模型或BERT模型，Ernie模型为自然语言处理NLP预训练语言模型，BERT模型为双向编码器表示模型。

上述申请中的一个实施例具有如下优点或有益效果：通过将药物标识的相关数据输入到预先训练的药物分类模型，由药物分类模型自动输出分类标签，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间。解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的药物分类方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的药物分类方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的药物分类方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的药物分类方法对应的程序指令/模块。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的药物分类方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据药物分类方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至药物分类方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

药物分类方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与药物分类方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过将药物标识的相关数据输入到预先训练的药物分类模型，由药物分类模型自动输出分类标签，避免了人工进行药物分类的过程，减少人工成本，节约药物分类的时间。解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种药物分类方法，包括：

获取待分类药物的药物标识；

基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签；

其中，当所述待分类药物为西药时，所述药物分类模型包括图卷积神经网络GCN和全连接层网络；所述GCN是根据从药物集合中获取的各药物的适应症表征数据和成分表征数据进行构建；所述GCN中包含多个节点，每个节点对应所述药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系；所述药物分类模型基于样本药物的适应症表征数据和分类标签构建的样本数据进行训练；所述样本药物的适应症表征数据和分类标签从所述药物集合的第一子集中获取；

其中，当所述待分类药物为中成药时，所述药物分类模型包括全连接层网络；所述药物分类模型基于获取的样本药物的适应症表征数据和分类标签构建的样本数据进行训练。

2.根据权利要求1所述的方法，若所述待分类药物为西药时，使用所述样本数据对所述药物分类模型进行训练，包括：

将所述样本药物的适应症表征数据输入所述GCN，获取所述GCN输出的融合有图结构信息的药物特征向量；

将所述药物特征向量输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；

根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述药物分类模型中的权值参数和所述GCN中的节点信息。

3.根据权利要求1所述的方法，若所述待分类药物为中成药时，使用所述样本数据对所述药物分类模型进行训练，包括：

将所述样本药物的适应症表征数据输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；

根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述全连接层网络中的权值参数。

4.根据权利要求1-3中任一项所述的方法，其中，药物的适应症表征数据的获取方法包括：

将所述药物的适应症文本输入预先训练出的语义向量模型，获得所述语义向量模型的输出层的前一层输出的所述药物的适应症语义表示向量。

5.根据权利要求4所述的方法，所述语义向量模型的训练方法包括：

获取样本药物的适应症文本和分类标签；

将所述样本药物的适应症文本输入所述语义向量模型，获得所述语义向量模型的输出层输出的预测分类标签；

根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述语义向量模型中的权值参数。

6.根据权利要求4所述的方法，所述语义向量模型包括：Ernie模型或BERT模型，所述Ernie模型为自然语言处理NLP预训练语言模型，所述BERT模型为双向编码器表示模型。

7.一种药物分类装置，包括：

标识获取模块，用于获取待分类药物的药物标识；

标签确定模块，用于基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签；其中，当所述待分类药物为西药时，所述药物分类模型包括图卷积神经网络GCN和全连接层网络；

GCN构建模块，用于根据从药物集合中获取的各药物的适应症表征数据和成分表征数据，构建GCN；所述GCN中包含多个节点，每个节点对应所述药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系；

分类模型训练模块，用于基于样本药物的适应症表征数据和分类标签构建的样本数据，对所述药物分类模型进行训练；所述样本药物的适应症表征数据和分类标签从所述药物集合的第一子集中获取；

其中，当所述待分类药物为中成药时，所述药物分类模型包括全连接层网络；

模型训练模块，用于基于获取的样本药物的适应症表征数据和分类标签构建的样本数据，对所述药物分类模型进行训练。

8.根据权利要求7所述的装置，若所述待分类药物为西药时，所述分类模型训练模块，包括：

特征向量获取单元，用于将所述样本药物的适应症表征数据输入所述GCN，获取所述GCN输出的融合有图结构信息的药物特征向量；

预测分类标签获得单元，用于将所述药物特征向量输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；

分类模型调整单元，用于根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述药物分类模型中的权值参数和所述GCN中的节点信息。

9.根据权利要求7所述的装置，若所述待分类药物为中成药时，所述模型训练模块，包括：

预测标签输出单元，用于将所述样本药物的适应症表征数据输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；

全连接层调整单元，用于根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述全连接层网络中的权值参数。

10.根据权利要求7-9中任一项所述的装置，所述装置还包括：

适应症数据获取模块，用于将所述药物的适应症文本输入预先训练出的语义向量模型，获得所述语义向量模型的输出层的前一层输出的所述药物的适应症语义表示向量。

11.根据权利要求10所述的装置，所述装置还包括：

语义向量模型训练模块，用于获取样本药物的适应症文本和分类标签；

将所述样本药物的适应症文本输入所述语义向量模型，获得所述语义向量模型的输出层输出的预测分类标签；

根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述语义向量模型中的权值参数。

12.根据权利要求10所述的装置，所述语义向量模型包括：Ernie模型或BERT模型，所述Ernie模型为自然语言处理NLP预训练语言模型，所述BERT模型为双向编码器表示模型。

13. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的药物分类方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的药物分类方法。