[發明專利]藥品推薦模型的訓練方法、裝置、存儲介質及計算機設備

在審

• 申請號: 202111017415.6
• 申請日: 2021-08-31
• 公開（公告）號: CN113569999A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 劉舒萍
• 申請（專利權）人: 平安醫療健康管理股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H50/20
• 代理公司: 北京中強智尚知識產權代理有限公司 11448
• 代理人: 黃耀威

1.一種藥品推薦模型的訓練方法，其特征在于，包括：

獲取患者的樣本疾病信息及其對應的實際藥品信息；

利用預設自然語言模型提取所述樣本疾病信息針對不同藥品信息的第一分布特征；

將所述樣本疾病信息輸入至預設初始藥品推薦模型中進行藥品推薦，得到所述樣本疾病信息針對所述不同藥品信息的第二分布特征，以及所述樣本疾病信息對應的推薦藥品信息；

基于所述第一分布特征和第二分布特征，以及所述實際藥品信息和所述推薦藥品信息，分別構建所述初始藥品推薦模型對應的第一損失函數和第二損失函數；

基于所述第一損失函數和所述第二損失函數，對所述初始藥品推薦模型進行迭代訓練，構建預設藥品推薦模型。

2.根據權利要求1所述的方法，其特征在于，所述利用預設自然語言模型提取所述樣本疾病信息針對不同藥品信息的第一分布特征，包括：

確定所述樣本疾病信息中包含的各個字符，以及所述各個字符對應的嵌入向量；

將所述嵌入向量輸入至所述預設自然語言模型進行語義信息提取，得到所述樣本疾病信息對應的語義信息向量；

將所述語義信息向量輸入至預設分類器中進行分類，提取所述樣本疾病信息針對所述不同藥品信息的第一分布特征。

3.根據權利要求2所述的方法，其特征在于，所述預設自然語言模型為預設BERT模型，所述預設BERT模型包括注意力層和前饋神經網絡層，所述將所述嵌入向量輸入至所述預設自然語言模型進行語義信息提取，得到所述樣本疾病信息對應的語義信息向量，包括：

將所述嵌入向量輸入至所述注意力層進行特征提取，得到所述各個字符對應的第一特征向量；

將所述第一特征向量和所述嵌入向量相加，得到所述各個字符對應的第二特征向量；

將所述第二特征向量輸入至所述前饋神經網絡層進行特征提取，得到所述樣本疾病信息對應的語義信息向量。

4.根據權利要求1所述的方法，其特征在于，所述初始藥品推薦模型為多層感知器，所述將所述樣本疾病信息輸入至預設初始藥品推薦模型中進行藥品推薦，得到所述樣本疾病信息針對所述不同藥品信息的第二分布特征，以及所述樣本疾病信息對應的推薦藥品信息，包括：

將所述樣本疾病信息輸入至所述多層感知器，提取所述多層感知器中最后一個全連接層輸出的特征，將所述最后一個全連接層輸出的特征確定為所述樣本疾病信息針對所述不同藥品信息的第二分布特征；

將所述最后一個全連接層輸出的特征輸入至所述多層感知器中的softmax層，得到所述樣本疾病信息對應的推薦藥品信息。

5.根據權利要求1所述的方法，其特征在于，所述基于所述第一分布特征和第二分布特征，以及所述實際藥品信息和所述推薦藥品信息，分別構建所述初始藥品推薦模型對應的第一損失函數和第二損失函數，包括：

設定所述初始藥品推薦模型對應的蒸餾參數的參數值，其中，所述參數值大于1；

利用所述參數值分別對所述第一分布特征和所述第二分布特征進行調整，得到調整后的第一分布特征和調整后的第二分布特征；

基于所述調整后的第一分布特征和所述調整后的第二分布特征，構建所述初始藥品推薦模型對應的第一損失函數；

基于所述實際藥品信息和所述推薦藥品信息，構建所述初始藥品推薦模型對應的第二損失函數。

6.根據權利要求1所述的方法，其特征在于，所述基于所述第一損失函數和所述第二損失函數，對所述初始藥品推薦模型進行迭代訓練，構建預設藥品推薦模型，包括：

分別確定所述第一損失函數和所述第二損失函數對應的權重系數；

基于所述權重系數，將所述第一損失函數和所述第二損失函數相加，得到所述初始藥品推薦模型對應的總損失函數；

基于所述總損失函數，對所述初始藥品推薦模型進行迭代訓練，構建所述預設藥品推薦模型。