CN113990520A - 一种基于可控生成对抗网络的中医药处方生成方法 - Google Patents
一种基于可控生成对抗网络的中医药处方生成方法 Download PDFInfo
- Publication number
- CN113990520A CN113990520A CN202111304137.2A CN202111304137A CN113990520A CN 113990520 A CN113990520 A CN 113990520A CN 202111304137 A CN202111304137 A CN 202111304137A CN 113990520 A CN113990520 A CN 113990520A
- Authority
- CN
- China
- Prior art keywords
- data
- generator
- prescription
- encoder
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003814 drug Substances 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000005728 strengthening Methods 0.000 claims abstract description 4
- 208000024891 symptom Diseases 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004599 local-density approximation Methods 0.000 claims 1
- 206010019233 Headaches Diseases 0.000 description 16
- 231100000869 headache Toxicity 0.000 description 16
- 206010011224 Cough Diseases 0.000 description 11
- 206010037660 Pyrexia Diseases 0.000 description 8
- 206010028748 Nasal obstruction Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 206010068319 Oropharyngeal pain Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical compound C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于可控生成对抗网络的中医药处方生成方法，包括以下步骤：S1、采集处方数据，对处方数据进行清洗处理，获得模型训练数据集；S2、构建神经网络模型，包括条件编码器、生成器和判别器；S3、训练神经网络模型，根据输出结果调整神经网络模型结构，并对神经网络模型参数进行调整优化；S4、对调整优化后的模型进行强化训练；S5、通过训练后的神经网络模型得到不同条件的中医药处方序列。
Description
技术领域
本发明涉及中医药处方生成技术领域，更具体的说是涉及一种基于可控生成对抗网络的中医药处方生成方法。
背景技术
目前，中医药是中华文化的重要组成部分，是数以千年来人们积累的与疾病作斗争的宝贵经验。随着互联网个性化医疗问诊的不断发展以及中医学在临床当中的应用逐渐增加，我们可以利用神经网络模型生成对症下药的处方内容。近几年来深度学习飞速发展，出现了许多文本生成模型，但却很少有将其与中医药处方生成相结合。
但是，目前大部分相关的处方生成仅侧重于中医药处方的中药序列内容组合，但只是根据探索中医药数据的潜在规律从而模仿生成，未能控制生成的条件与内容，从而控制生成的文本内容，比如利用常用的文本生成类神经网络直接生成处方序列，或者利用自然语言处理模型如编码-解码器结构生成处方；现有神经网络都是将数据或者其特点作为标签结合在一起作为数据输入，无法单独控制数据的生成种类，同一数据集只能根据现有生成的模型直接生成同种类型的内容。
因此，通过增加一个独立的条件编码结构，控制处方生成的方向与内容，可以有针对性的生成符合个性化需求的中医药处方是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于可控生成对抗网络的中医药处方生成方法；搭建了一个具有条件编码器的基础网络，将相关处方对应的症状全部都独立的保存在这个编码器中，编码器不同的部分对应不同的数字从而标记了各种不同的症状，采用了生成对抗网络的基础架构，增加了生成器与判别器两个基础部分，使得该网络能够生成更加稳定与真实的数据集合，在文本生成对抗的网络基础上加入条件编码器，通过编码器的内容控制生成器，编码器不同部分的结构化代码可以独立的控制其目标特性，不会与其他属性或者内容纠缠，从而可以根据需求可控地生成处方序列的内容。
为了实现上述目的，本发明采用如下技术方案：
一种基于可控生成对抗网络的中医药处方生成方法，所述方法包括以下步骤：
S1、采集处方数据，对处方数据进行清洗处理，获得模型训练数据集；
S2、构建神经网络模型，包括条件编码器、生成器和判别器；
S3、训练神经网络模型，根据输出结果调整神经网络模型结构，并对神经网络模型参数进行调整优化；
S4、对调整优化后的模型进行强化训练；
S5、通过训练后的神经网络模型得到不同条件的中医药处方序列。
优选的，所述步骤S2具体包括：
S21、条件编码器接收真实数据并对其进行特定分类及编码设置，完成后将结果传输至生成器；
S22、基于长短期记忆网络构建生成器，接收随机噪声与特定分类结果，其中数据与数据属性分离，同时模拟数据的分布规律及符合数据属性的特征编码，引入reward方法进行强化学习，使得网络具备处理离散的处方数据序列的能力，实现梯度策略更新，基于rollout模型提高深度强化学习网络的稳定性；
S23、基于卷积神经网络构建判别器，接收生成器生成的数据以及真实数据，并对两者进行判断分类，将分类结果反馈至条件编码器，条件编码器反馈生成器以知道生成器下一次的数据生成。
优选的，所述步骤S3具体包括：
S31、输入数据集X
X＝{X1,X2,...}
其中，X1为可治疗同一类症状的处方集合，
S32、初始化基本值，条件编码器E接收数据集X并得到其分类规律，指导G生成随机数据，并使得等式(1)最小化
L(θG,θE；X)＝KL(qE(z|X)||p(z))-IEqE(z|X)qD(X)[logpG(X|z)] (1)
S33、重复上述步骤，
S34、通过等式(2)训练判别器，判别器将结果传递至条件编码器E，判断生成的处方是否符合相对应的分类，并将结果发送至生成器
其中，λu为平衡参数，LD为判别器损失值，Ls为标记样本的损失值，Lu为合成样本的损失值；
S35、通过等式(3)训练生成器和条件编码器，分别最小化等式(1)的数值，
其中，LG为生成器G的损失值，LE为编码器的损失值，Z为非结构化随机噪声，λE为编码器的平衡参数，λZ为非结构化随机噪声的平衡参数，LAttv，E为目标属性与编码器之间的损失值，LAttv，z为目标属性与随机噪声之间的损失值；
S36、训练至收敛后输出模型，具体的，当指数值表现合理，同时分布达到收敛效果，编码器通过最小化损失进行训练。在这一过程中同时对其进行优化，以最小化观察到的真实句子的重建误差，同时将编码器正则化为接近先验p(z)。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于可控生成对抗网络的中医药处方生成方法；搭建了一个具有条件编码器的基础网络，将相关处方对应的症状全部都独立的保存在这个编码器中，编码器不同的部分对应不同的数字从而标记了各种不同的症状，采用了生成对抗网络的基础架构，增加了生成器与判别器两个基础部分，使得该网络能够生成更加稳定与真实的数据集合，在文本生成对抗的网络基础上加入条件编码器，通过编码器的内容控制生成器，编码器不同部分的结构化代码可以独立的控制其目标特性，不会与其他属性或者内容纠缠，从而可以根据需求可控地生成处方序列的内容。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的模型结构示意图。
图2附图为本发明提供的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于可控生成对抗网络的中医药处方生成方法，方法包括以下步骤：
S1、采集处方数据，对处方数据进行清洗处理，获得模型训练数据集；
S2、构建神经网络模型，包括条件编码器、生成器和判别器；
S3、训练神经网络模型，根据输出结果调整神经网络模型结构，并对神经网络模型参数进行调整优化；
S4、对调整优化后的模型进行强化训练；
S5、通过训练后的神经网络模型得到不同条件的中医药处方序列。
为进一步优化上述技术方案，步骤A2具体包括：
S21、条件编码器接收真实数据并对其进行特定分类及编码设置，完成后将结果传输至生成器，具体的，特定分类指能够治疗相似或相关疾病的处方集合，例如风寒，其中包括了咳嗽、流涕和发热等症状；
S22、基于长短期记忆网络构建生成器，接收随机噪声与特定分类结果，其中数据与数据属性分离，同时模拟数据的分布规律及符合数据属性的特征编码，引入reward方法进行强化学习，使得网络具备处理离散的处方数据序列的能力，实现梯度策略更新，基于rollout模型提高深度强化学习网络的稳定性；长短期记忆网络即LSTM(Long Short-TermMemory)网络，它包括嵌入层(embedding)、lstm特有的门结构(包括输入门inputgate、遗忘门forget gate、输出门output gate)、全连接层(fully connected)以及输出层(softmax)；在训练过程中首先得到处方序列的词嵌入表达，再将其输入给隐藏层，同时利用reward，rollout等方法进行训练，然后更新策略梯度，最后经由softmax层将隐藏表达输出为序列分布。
S23、基于卷积神经网络构建判别器，接收生成器生成的数据以及真实数据，并对两者进行判断分类，将分类结果反馈至条件编码器，条件编码器反馈生成器以知道生成器下一次的数据生成；基于卷积神经网络即CNN(Convolutional Neural Networks)，它包括嵌入层、卷积层、池化层、全连接以及输出层；
在训练过程中首先输入处方序列进行序列嵌入表达，经过卷积池化之后进入全连接层，在这一过程中为了提高其性能我们使用了dropout方法，最后利用sigmoid激活输出。在这一过程中训练数据即真实数据标记为1，而生成样本即假数据标记为0。
为进一步优化上述技术方案，步骤S3具体包括：
S31、输入数据集X
X＝{X1，X2，...}
其中，X1为可治疗同一类症状的处方集合，
S32、初始化基本值，条件编码器E接收数据集X并得到其分类规律，指导G生成随机数据，并使得等式(1)最小化
L(θG，θE；X)＝KL(qE(z|X)||p(z))-IEqE(z|X)qD(X)[log pG(X|z)] (1)
S33、重复上述步骤，
S34、通过等式(2)训练判别器，判别器将结果传递至条件编码器E，判断生成的处方是否符合相对应的分类，并将结果发送至生成器
其中，λu为平衡参数，LD为判别器损失值，Ls为标记样本的损失值，Lu为合成样本的损失值；
S35、通过等式(3)训练生成器和条件编码器，分别最小化等式(1)的数值，
其中，LG为生成器G的损失值，LE为编码器的损失值，Z为非结构化随机噪声，λE为编码器的平衡参数，λZ为非结构化随机噪声的平衡参数，LAttv，E为目标属性与编码器之间的损失值，LAttv，z为目标属性与随机噪声之间的损失值；
S36、训练至收敛后输出模型。
建立一个有效的条件编码器，以期望可以将训练数据相对应的条件分布映射到一个潜在空间，即条件到训练数据的映射。在此处我们利用one-hot编码处理数据的条件属性，不需要预先存储属性特征和推理过程获得特定的潜在向量。以该图示为例，我们将一个综合症中包含的多个症状构建为一个one-hot编码序列，其中包含具有治疗不同症状的处方。比如我们输入具有治疗头痛和鼻塞作用的、具有治疗发热和头痛的处方或者标记为其他特点的处方内容，甚至是具有治疗全部症状的处方内容；
将此部分数据特点传递给生成器和随机噪声一起作为其输入，模拟真实处方数据的分布以及其标签特点，两者均保持一致性。比如具有治疗头痛功效的处方在条件编码器相对应的头痛标记位置其数值就为1，不具有治疗发热作用的处方相对应的位置就会标记为0；
判别器接收真实数据以及生成器生成的假数据，并对这些数据进行判断，包括数据的内容分布以及条件分布规律，同时将这一结果反馈给编码器和生成器，指导接下来的数据生成过程。
在生成器和判别器工作过程中以对抗的方式在真实分布和生成的分布之间建立紧密的联系，生成器生成尽可能真实的数据以期望可以骗过判别器，判别器不断提高鉴别真假数据的能力，从而将这一结果反馈给生成器促使其改进，两者的博弈训练最终达到一个相对平衡的状态。在这一过程种对抗性训练也可以帮助编码器学习条件到训练数据连续映射，提升它的能力，条件编码器中的每个结构化代码都可以独立地控制其目标特性，而不会与其他属性纠缠，使得我们可以可控的生成一些处方序列结果。另一方面在生成对抗网络的训练当中，生成器和判别器的训练往往是不平衡的，为了解决这一问题，我们采取训练1次生成器，k(k>1)次判别器的方法。
训练结束后以改图示为例，此时生成器具有治疗这一综合症的功效，为了满足不同病人的个性化需求，我们需要输入不同的条件来生成相对应的处方。这一行为可以通过控制条件编码器的内容来满足。比如某位病人只有咳嗽、肺热这两种症状，那么我们可以将条件编码器相对应的特点位置输入为1，从而控制了处方生成的结果，即生成了只具有治疗咳嗽和肺热的处方。如果还有其他症状，那么我们可以将对应的位置标记为1，没有的症状标记为0，从而实现了可以控制处方生成内容的行为。
首先在收集的药方数据上利用数据挖掘技术，挖掘出常见的症状组合，比如感冒时往往会出现头痛、鼻塞、咳嗽、肺热、头疼等多种症状，将同类症状作为组合并输入到条件编码器。其中处方可治疗的症状是以下内容的任意组合。
对收集的处方进行整理，按照处方治疗的症状进行分类，并使具有相同疗效的处方形成独立的结构部分
(1)针对鼻塞和头痛的症状，条件编码器的输入内容如下所示，同时相对应的输入此症状对应的结构化处理后的处方。
(2)针对头痛、流涕、咳嗽、咽痛的症状，条件编码器对应的内容如下所示，同时对此类症状对应的处方进行结构化处理作为条件编码器的输入。
(3)针对出现上述所有的症状，条件编码器对应的内容为下所示，同样的我们结构化的输入此类症状对应的处方。
将这些能够治疗不同症状的处方按照独立的结构内容分别传送给生成器用于训练。
生成器接收到内容开始训练，同时判别器对结果进行鉴别，两者互相对抗最终达到理想状态。判别器同时判断处方内容和条件编码的内容是否符合生成效果与规律。
得到生成模型之后我么可以根据控制条件的内容来生成不同的处方内容，部分结果如下表格所示
(1)比如病人出现了头痛的现象，那么我们将条件编码器对应的头痛位置内容输入为1，这时候就只生成了能够治疗头痛的新处方；
(2)比如病人出现了鼻塞、头痛的现象，那么我们将条件编码器对应的鼻塞、头痛位置内容输入为1，这时候就只生成了能够治疗头痛的新处方；
(3)比如病人出现了咳嗽、发热的症状，那么我们将咳嗽、发热对应的位置内容输入为1，这时可以生成治疗咳嗽和发热的处方；
(4)比如病人出现了咳嗽、发热、、头痛的症状，那么我们将咳嗽、发热、头痛对应的位置内容输入为1；
止咳，消食，清热，疏风，止痛，益气，法半夏，酒白芍，紫珠叶，地榆，桔梗。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种基于可控生成对抗网络的中医药处方生成方法，其特征在于，所述方法包括以下步骤：
S1、采集处方数据，对处方数据进行清洗处理，获得模型训练数据集；
S2、构建神经网络模型，包括条件编码器、生成器和判别器；
S3、训练神经网络模型，根据输出结果调整神经网络模型结构，并对神经网络模型参数进行调整优化；
S4、对调整优化后的模型进行强化训练；
S5、通过训练后的神经网络模型得到不同条件的中医药处方序列。
2.根据权利要求1所述的一种基于可控生成对抗网络的中医药处方生成方法，其特征在于，所述步骤S2具体包括：
S21、条件编码器接收真实数据并对其进行特定分类及编码设置，完成后将结果传输至生成器；
S22、基于长短期记忆网络构建生成器，接收随机噪声与特定分类结果，其中数据与数据属性分离，同时模拟数据的分布规律及符合数据属性的特征编码，引入reward方法进行强化学习，使得网络具备处理离散的处方数据序列的能力，实现梯度策略更新，基于rollout模型提高深度强化学习网络的稳定性；
S23、基于卷积神经网络构建判别器，接收生成器生成的数据以及真实数据，并对两者进行判断分类，将分类结果反馈至条件编码器，条件编码器反馈生成器以知道生成器下一次的数据生成。
3.根据权利要求1所述的一种基于可控生成对抗网络的中医药处方生成方法，其特征在于，所述步骤S3具体包括：
S31、输入数据集X
X＝{X1,X2,…}
其中，X1为可治疗同一类症状的处方集合，
S32、初始化基本值，条件编码器E接收数据集X并得到其分类规律，指导G生成随机数据，并使得等式(1)最小化
L(θG,θE；X)＝KL(qE(z|X)||p(z))-IEqE(z|X)qD(X)[logpG(X|z)] (1)
其中，θG为生成器G的参数，θE为编码器E的参数，KL为散度，p为数据分布，qE(z|X)给定观测值x，利用一个条件概率编码器E来推断潜在的z，qD(x)为鉴别器D为每个结构变量定义的条件分布，pG(X|z)为生成数据的分布；
S33、重复上述步骤，
S34、通过等式(2)训练判别器，判别器将结果传递至条件编码器E，判断生成的处方是否符合相对应的分类，并将结果发送至生成器，使用标记样本和合成样本的鉴别器的联合训练目标
其中，λu为平衡参数，LD为判别器的损失值，Ls为标记样本的损失值，Lu为合成样本的损失值；
S35、通过等式(3)训练生成器和条件编码器，分别最小化等式(1)的数值，
其中，LG为生成器G的损失值，LE为编码器的损失值，Z为非结构化随机噪声，λE为编码器的平衡参数，λZ为非结构化随机噪声的平衡参数，LAttv,E为目标属性与编码器之间的损失值，LAttv,z为目标属性与随机噪声之间的损失值；
S36、训练至收敛后输出模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111304137.2A CN113990520B (zh) | 2021-11-05 | 一种基于可控生成对抗网络的中医药处方生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111304137.2A CN113990520B (zh) | 2021-11-05 | 一种基于可控生成对抗网络的中医药处方生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113990520A true CN113990520A (zh) | 2022-01-28 |
| CN113990520B CN113990520B (zh) | 2024-06-07 |
Family
ID=
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114864099A (zh) * | 2022-07-05 | 2022-08-05 | 浙江大学 | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 |
| CN116432663A (zh) * | 2023-06-12 | 2023-07-14 | 山东山大鸥玛软件股份有限公司 | 基于要素简图的可控多样性专业文本生成方法及系统 |
| CN117195922A (zh) * | 2023-11-07 | 2023-12-08 | 四川语言桥信息技术有限公司 | 一种人在回路的神经机器翻译方法、系统及可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114864099A (zh) * | 2022-07-05 | 2022-08-05 | 浙江大学 | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 |
| CN114864099B (zh) * | 2022-07-05 | 2022-11-01 | 浙江大学 | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 |
| CN116432663A (zh) * | 2023-06-12 | 2023-07-14 | 山东山大鸥玛软件股份有限公司 | 基于要素简图的可控多样性专业文本生成方法及系统 |
| CN116432663B (zh) * | 2023-06-12 | 2023-10-13 | 山东山大鸥玛软件股份有限公司 | 基于要素简图的可控多样性专业文本生成方法及系统 |
| CN117195922A (zh) * | 2023-11-07 | 2023-12-08 | 四川语言桥信息技术有限公司 | 一种人在回路的神经机器翻译方法、系统及可读存储介质 |
| CN117195922B (zh) * | 2023-11-07 | 2024-01-26 | 四川语言桥信息技术有限公司 | 一种人在回路的神经机器翻译方法、系统及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415740B (zh) | 问诊信息的处理方法、装置、存储介质及计算机设备 | |
| CN109783657B (zh) | 基于受限文本空间的多步自注意力跨媒体检索方法及系统 | |
| CN106779084B (zh) | 机器学习系统及方法 | |
| CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的系统 | |
| CN110297908A (zh) | 诊疗方案预测方法及装置 | |
| CN109918644A (zh) | 一种基于迁移学习的中医健康咨询文本命名实体识别方法 | |
| CN108256065A (zh) | 基于关系检测和强化学习的知识图谱推理方法 | |
| CN110516161A (zh) | 一种推荐方法及装置 | |
| CN109637669A (zh) | 基于深度学习的治疗方案的生成方法、装置及存储介质 | |
| US20070258329A1 (en) | Method and apparatus for the exploitation of piezoelectric and other effects in carbon-based life forms | |
| CN108897740A (zh) | 一种基于对抗神经网络的蒙汉机器翻译方法 | |
| CN101084502A (zh) | 根据确定的目的进行数字内容检索的系统和方法 | |
| CN109190113A (zh) | 一种中医理论典籍的知识图谱构建方法 | |
| CN112000772B (zh) | 面向智能问答基于语义特征立方体的句子对语义匹配方法 | |
| CN111858931A (zh) | 一种基于深度学习的文本生成方法 | |
| CN110232971A (zh) | 一种医生推荐方法及装置 | |
| CN108153913A (zh) | 回复信息生成模型的训练方法、回复信息生成方法及装置 | |
| CN108804591A (zh) | 一种病历文本的文本分类方法及装置 | |
| CN107369098A (zh) | 社交网络中数据的处理方法和装置 | |
| CN108510049A (zh) | 基于情感-时空信息的机器人服务自主认知方法及机器人 | |
| Paul et al. | SPRITE: Generalizing topic models with structured priors | |
| CN114822874A (zh) | 一种基于特征偏差对齐的方剂功效分类方法 | |
| Liu et al. | Deep neural network-based recognition of entities in Chinese online medical inquiry texts | |
| CN116910172A (zh) | 基于人工智能的随访量表生成方法及系统 | |
| Lv | [Retracted] Martial Arts Competitive Decision‐Making Algorithm Based on Improved BP Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |