[發(fā)明專利]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能中醫(yī)開方模型訓(xùn)練方法及裝置

在審

• 申請?zhí)枺?/td>: 202011336491.9
• 申請日: 2020-11-25
• 公開（公告）號: CN112466436A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計）人: 王階;李謙一;張振鵬;李洪崢;杜強;楊墨翰;郭雨晨;聶方興;唐超;張興
• 申請（專利權(quán)）人: 北京小白世紀(jì)網(wǎng)絡(luò)科技有限公司
• 主分類號: G16H20/90
• 分類號: G16H20/90;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產(chǎn)權(quán)代理有限公司 11543
• 代理人: 秦瑩

1.一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能中醫(yī)開方模型訓(xùn)練方法，其特征在于，包括：

S1確定所有的證候要素構(gòu)建證候要素庫；

S2將癥狀依據(jù)所述證候要素庫進行歸類，構(gòu)建訓(xùn)練樣本標(biāo)簽；

S3將所述證候要素進行獨熱編碼產(chǎn)生獨熱向量a，將所述獨熱向量a輸入到全連接層a中產(chǎn)生所述癥狀的領(lǐng)域詞向量；

S4將所述癥狀進行獨熱編碼產(chǎn)生獨熱向量b，將所述的獨熱向量b輸入到全連接層b中產(chǎn)生所述癥狀的屬性詞向量；

S5將所述領(lǐng)域詞向量和所述屬性詞向量進行疊加產(chǎn)生疊加詞向量；

S6使用循環(huán)神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，將所述疊加詞向量組成的特征矩陣輸入到所述循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)神經(jīng)元中，經(jīng)過非線性變換輸出預(yù)測出的藥材的特征向量a，將所述特征向量a和所述癥狀的特征矩陣進行拼接后再次輸入回所述循環(huán)神經(jīng)元中，產(chǎn)生第二個藥材的特征向量b，以此類推，直到產(chǎn)生出給定數(shù)量的藥材為止。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法進一步包括：構(gòu)建損失函數(shù)，并且用預(yù)測出的藥材和所述訓(xùn)練樣本標(biāo)簽作為輸入計算損失，使用梯度下降更新模型的參數(shù)，直至連續(xù)預(yù)定迭代次數(shù)訓(xùn)練后所述損失不再降低，停止訓(xùn)練并保存模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述損失函數(shù)包括：二元交叉熵；所述全連接層a為兩層，所述全連接層b為兩層。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為使用PyTorch作為構(gòu)建平臺在多個圖形處理器上進行訓(xùn)練的長短期記憶網(wǎng)絡(luò)，所述梯度下降方法包括：ADAM算法。

5.一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能中醫(yī)開方裝置，其特征在于，包括：

要素庫模塊：確定所有的證候要素構(gòu)建證候要素庫；

分類模塊：將癥狀依據(jù)所述證候要素庫進行歸類,構(gòu)建訓(xùn)練樣本標(biāo)簽；領(lǐng)域詞模塊：將所述證候要素進行獨熱編碼產(chǎn)生獨熱向量a，將所述獨熱向量a輸入到全連接層a中產(chǎn)生所述癥狀的領(lǐng)域詞向量；

屬性詞模塊：將所述癥狀進行獨熱編碼產(chǎn)生獨熱向量b，將所述的獨熱向量b輸入到全連接層b中產(chǎn)生所述癥狀的屬性詞向量；

疊加詞模塊：將所述領(lǐng)域詞向量和所述屬性詞向量進行疊加產(chǎn)生疊加詞向量；

神經(jīng)網(wǎng)絡(luò)模塊：使用循環(huán)神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，將所述疊加詞向量組成的特征矩陣輸入到所述循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)神經(jīng)元中，經(jīng)過非線性變換輸出預(yù)測出的藥材的特征向量a，將所述特征向量a和所述癥狀的特征矩陣進行拼接后再次輸入回所述循環(huán)神經(jīng)元中，產(chǎn)生第二個藥材的特征向量b，以此類推，直到產(chǎn)生出給定數(shù)量的藥材為止。

6.根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述裝置進一步包括損失函數(shù)模塊，構(gòu)建損失函數(shù)，并且用預(yù)測出的藥材和所述訓(xùn)練樣本標(biāo)簽作為輸入計算損失，使用梯度下降更新模型的參數(shù)，直至連續(xù)預(yù)定迭代次數(shù)訓(xùn)練后所述損失不再降低，停止訓(xùn)練并保存模型。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，損失函數(shù)包括：二元交叉熵；所述全連接層a為兩層，所述全連接層b為兩層。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為使用PyTorch作為構(gòu)建平臺在多個處理器上進行訓(xùn)練的長短期記憶網(wǎng)絡(luò)，所述梯度下降方法包括：ADAM算法。

9.一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能中醫(yī)開方裝置，其特征在于，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4中任一項所述的信號測量方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有信息傳遞的實現(xiàn)程序，所述程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4中任一項所述的信號測量方法的步驟。