药物推荐方法、训练模型方法、装置、电子设备及存储介质与流程

1.本技术涉及人工智能领域，并且更具体地，涉及药物推荐方法、训练模型方法、装置、设备以及存储介质。


背景技术：

2.目前不少先进技术已被应用于开发药物推荐系统，以针对不同的患者进行合适的药物推荐。这些方法大多依赖于患者电子健康记录中的文本信息，基于大量患者的用药历史进行药物推荐。然而，仅考虑患者的电子健康记录以及历史用药情况，并不能满足患者日益复杂的服药需求。


技术实现要素：

3.本技术实施例提供了一种药物推荐方法、训练模型方法、装置、电子设备及存储介质，能够基于药物间相互作用进行药物推荐，从而推荐更加安全和合适的药物。
4.第一方面，本技术实施例提供了一种药物推荐的方法，包括：
5.根据用户服用药物情况，确定服用第一药物的各用户；
6.利用药物相互作用模型，得到所述第一药物的第一表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的；
7.利用药物推荐模型，根据服用所述第一药物的各用户的原始特征、所述第一表征向量和第一用户的原始特征，确定是否向所述第一用户推荐所述第一药物；
8.其中，所述药物推荐模型是根据第一药物样本的表征向量和用户样本对所述第一药物样本的真实服用情况对机器学习模型进行训练得到的，所述第一药物样本的表征向量是基于所述药物相互作用模型得到的。
9.第二方面，本技术实施例提供了一种训练药物推荐模型的方法，包括：
10.获取第一训练样本集，所述第一训练样本集包括用户样本对第一药物样本的真实服用情况；
11.利用所述药物相互作用模型，得到所述第一药物样本的表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的；
12.将所述用户样本的原始特征和所述第一药物样本的表征向量，输入所述药物推荐模型，得到向所述用户样本推荐所述第一药物样本的推荐得分；
13.根据所述推荐得分和所述用户样本对所述第一药物样本的真实服用情况，更新所述药物推荐模型的参数。
14.第三方面，本技术实施例提供了一种训练药物相互作用模型的方法，包括：
15.根据药物间相互作用关系构建图网络，其中，所述图网络的节点属于药物集合，所述图网络的边属于药物间相互作用集合；
16.获取第二训练样本集，所述第二训练样本集包括所述图网络中的至少两种第二药物样本的真实作用关系；
17.将所述至少两种第二药物样本的原始特征，以及所述至少两种第二药物样本中每种第二药物样本相关的各药物的原始特征，输入所述药物相互作用模型，得到所述至少两种第二药物样本两两之间的边的分数；
18.根据所述至少两种第二药物样本两两之间的边的分数，以及所述至少两种第二药物样本的真实作用关系，更新所述药物相互作用模型的参数。
19.第四方面，本技术实施例提供了一种药物推荐的装置，包括：
20.确定单元，用于根据用户服用药物情况，确定服用第一药物的各用户；
21.药物相互作用模型，用于得到所述第一药物的第一表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的；
22.药物推荐模型，用于根据服用所述第一药物的各用户的原始特征、所述第一表征向量和第一用户的原始特征，确定是否向所述第一用户推荐所述第一药物；
23.其中，所述药物推荐模型是根据第一药物样本的表征向量和用户样本对所述第一药物样本的真实服用情况对机器学习模型进行训练得到的，所述第一药物样本的表征向量是基于所述药物相互作用模型得到的。
24.第五方面，本技术实施例提供了一种训练药物推荐模型的装置，包括：
25.获取单元，用于获取第一训练样本集，所述第一训练样本集包括用户样本对第一药物样本的真实服用情况；
26.药物相互作用模型，用于得到所述第一药物样本的表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的；
27.药物推荐模型，用于将所述用户样本的原始特征和所述第一药物样本的表征向量，输入所述药物推荐模型，得到向所述用户样本推荐所述第一药物样本的推荐得分；
28.训练单元，用于根据所述推荐得分和所述用户样本对所述第一药物样本的真实服用情况，更新所述药物推荐模型的参数。
29.第六方面，本技术实施例提供了一种训练药物相互作用模型的装置，包括：
30.构建单元，用于根据药物间相互作用关系构建图网络，其中，所述图网络的节点属于药物集合，所述图网络的边属于药物间相互作用集合；
31.获取单元，用于获取第二训练样本集，所述第二训练样本集包括所述图网络中的至少两种第二药物样本的真实作用关系；
32.药物相互作用模型，用于输入将所述至少两种第二药物样本的原始特征，以及所述至少两种第二药物样本中每种第二药物样本相关的各药物的原始特征，得到所述至少两种第二药物样本两两之间的边的分数；
33.训练单元，用于根据所述至少两种第二药物样本两两之间的边的分数，以及所述至少两种第二药物样本的真实作用关系，更新所述药物相互作用模型的参数。
34.第七方面，本技术实施例提供了一种电子设备，包括：
35.处理器，适于实现计算机指令；以及，
36.存储器，存储有计算机指令，计算机指令适于由处理器加载并执行上述第一方面至第三方面中任一方面的方法。
37.第八方面，本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被计算机设备的处理器读取并执行时，使得计算机设
备执行上述第一方面至第三方面中任一方面的方法。
38.第九方面，本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面至第三方面中任一方面的方法。
39.基于以上技术方案，本技术实施例通过药物相互作用模型得到第一药物的第一表征向量，药物推荐模型基于该第一表征向量、服用该第一药物的用户的原始特征和第一用户的原始特征，能够确定是否向第一用户推荐该第一药物。由于第一表征向量能够表征第一药物与其他药物之间的相互作用关系，且药物推荐模型引入了药物之间的相互作用，因此本技术实施例能够有助于避免向用户推荐的药物中包含不恰当的药物组合，从而提高药物推荐的安全性。
附图说明
40.图1为本技术实施例涉及的一种系统架构的示意图；
41.图2为本技术实施例提供的一种训练模型的方法的示意流程图；
42.图3为根据本技术实施例的一种药物推荐流程的示意图；
43.图4为本技术实施例提供的另一种训练模型的方法的示意流程图；
44.图5为本技术实施例提供的另一种训练模型的方法的示意流程图；
45.图6为本技术实施例提供的一种药物推荐的方法的示意流程图；
46.图7是本技术实施例提供的一种药物推荐的装置的示意性框图；
47.图8是本技术实施例提供的一种训练模型的装置的示意性框图；
48.图9是本技术实施例提供的另一种训练模型的装置的示意性框图；
49.图10是本技术实施例提供的电子设备的示意性框图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.应理解，在本技术实施例中，“与a对应的b”表示b与a相关联。在一种实现方式中，可以根据a确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
52.在本技术的描述中，除非另有说明，“至少一个”是指一个或多个，“多个”是指两个或多于两个。另外，“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a,b 可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个) 的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
53.还应理解，本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
54.还应理解，说明书中与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
55.此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
56.本技术实施例应用于人工智能技术领域。
57.其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
58.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
59.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
60.本技术实施例可涉及人工智能技术中的自然语言处理(nature language processing, nlp)技术。nlp是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
61.本技术实施例也可以涉及人工智能技术中的机器学习(machine learning,ml)，ml 是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
62.此外，本技术实施例提供的方案还可以涉及模型预训练技术。预训练(pre-training) 通过大量无标注或者弱标注的样本进行模型的训练，得到一套模型参数；利用这套参数对模型进行初始化，实现模型“热启动”，再根据具体任务在现有模型的架构上对
与用户设备101、训练设备103和执行设备104可以为同一个设备。上述数据库105可以分布在一个服务器上也可以分布在多个服务器上，上述的内容库106可以分布在一个服务器上也可以分布在多个服务器上。
75.图1中的网络架构可以应用于药物推荐系统，以针对不同的患者进行合适的药物推荐。然而，现有药物推荐系统大多依赖于患者电子健康记录中的文本信息，基于大量患者的用药历史进行药物推荐。如果仅考虑患者的电子健康记录以及历史用药情况，而没有考虑药物间相互作用，一方面可能会导致向患者推荐的药物中包含不恰当的药物组合，另一方面对于没有电子健康记录的新患者而言，推荐效果较差。因此现有的药物推荐系统已经不能满足患者日益复杂的服药需求。
76.例如，对于老年人而言，随着年龄的增长会出现生理机能变差、患疾病风险增加、药物清除率下降等问题。在治疗各类老年疾病的过程中，同时服用多种药物已成为导致老年人药物不良事件、住院和死亡风险增加的重要因素。这一现象在特殊时期更加显著，如新冠肺炎流行期间，临床资源变得短缺，老年人服药如果缺乏专业医生的指导可能增加不良反应的风险。此外，同时服用多种药物也增加了药物与药物之间相互作用的可能性，包括潜在的药物间的拮抗作用，引出了老年人日益复杂的服药需求与多种药物间可能产生相互作用之间的不平衡问题。
77.有鉴于此，本技术实施例提供了药物推荐方法、训练模型方法、装置、电子设备及存储介质，能够基于药物间相互作用进行药物推荐，从而有助于推荐更加安全和合适的药物。
78.具体而言，可以根据用户服用药物情况，确定服用第一药物的各用户，以及利用药物相互作用模型，得到第一药物的第一表征向量。然后，利用药物推荐模型，根据服用该第一药物的各用户的原始特征、该第一药物的第一表征向量和第一用户的原始特征，确定是否向该第一用户推荐该第一药物。
79.本技术实施例中，药物相互作用模型是根据药物间相互作用关系构建的图网络得到的。该药物相互作用模型可以基于药物间相互作用关系，对输入的药物进行表征，得到药物的表征向量。换言之，该药物相互作用模型输出的药物的表征向量，能够表征药物之间的相互作用关系。
80.示例性的，药物间相互作用关系可以包括药物之间的协同作用和拮抗作用。例如：吲达帕胺(indapamide)和培哚普利(perindopril)具有协同作用，同时服用对于治疗高血压更有效；而用作心脏兴奋药的茶碱(theophlline)与治疗高血压的依那普利(enalapril) 之间有拮抗作用，同时服用可能造成自身免疫性糖尿病。所以，在构造药物推荐系统时，关注药物间的相互作用是十分重要的。
81.本技术实施例中，药物推荐模型是根据药物样本的表征向量和用户样本对药物样本的真实服用情况对机器学习模型进行训练得到的，药物样本的表征向量是基于药物相互作用模型得到的。
82.具体的，可以通过药物相互作用模型，得到药物样本的表征向量，然后根据药物样本的表征向量、用户样本的原始特征，以及用户样本对药物样本的真实服用情况对药物推荐模型进行训练，得到训练好的药物推荐模型。因此，本技术实施例中，该训练好的药物推荐模型引入了药物之间的相互作用。
83.因此，本技术实施例通过药物相互作用模型得到第一药物的第一表征向量，药物推荐模型基于该第一表征向量、服用该第一药物的用户的原始特征和第一用户的原始特征，能够确定是否向第一用户推荐该第一药物。由于第一表征向量能够表征第一药物与其他药物之间的相互作用关系，且药物推荐模型引入了药物之间的相互作用，因此本技术实施例能够有助于避免向用户推荐的药物中包含不恰当的药物组合，从而提高药物推荐的安全性。
84.示例性的，不恰当的药物组合可以指具有拮抗作用的药物组合。
85.本技术实施例中，需要推荐药物的用户，如第一用户，可以是已经有电子健康记录的老用户，也可以是没有电子健康记录的新用户，不做限定。其中，用户可以指需要服用药物的患者或病人。
86.在一些实例中，本技术实施例提供的药物推荐方法能够给医生在临床诊断时提供处方参考，防止缺乏临床经验的医生开出产生拮抗作用的药物处方，同时可以向医生推荐相互间具有协同作用的药物组合。
87.进一步的，本技术实施例的药物推荐方法，能够在临床资源紧缺期间为老年人购买和服用非处方药物提供可靠的建议。
88.在一些实例中，本技术实施例提供的药物相互作用模型能够对新研究出的存在相互作用的药物组合进行及时更新，对医生和病人进行可靠的药物推荐。
89.本技术实施例的药物推荐的方法，主要思想是将药物推荐模型(drug recommendationmodel，drmodel)与药物相互作用模型(drug-drug interaction model,ddi model)相结合，实现更合适的药物推荐。
90.相应的，本技术实施例提供的药物推荐方法可以包括药物表征阶段和药物推荐阶段。在药物表征阶段，可以基于药物相互作用模型，得到第一药物的第一表征向量。在药物推荐阶段，可以将药物表征阶段得到第一药物的第一表征向量，以及服用第一药物的用户的原始特征、第一用户的原始特征，输入药物推荐模型，得到是否向第一用户推荐第一药物的推荐结果。
91.首先，对药物表征阶段进行描述。
92.在药物表征阶段，首先可以建立药物相互作用模型。药物相互作用模型可以是根据药物之间的真实作用关系的训练样本对机器学习模型进行训练得到的。训练该药物相互作用模型的过程可以为本技术实施例提供的药物推荐方法中药物的预训练过程。
93.图2为本技术实施例提供的一种训练药物相互作用模型的方法200的示意流程图。方法200可以由任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为服务器或终端设备，又例如，该电子设备可实施为图1中的训练设备103，本技术对此不做限定。示例性的，该药物相互作用模型可以用于基于药物之间的相互作用对药物进行向量表征。
94.如图2所示，该训练药物相互作用模型的方法200可以包括步骤210至240。
95.210，根据药物间相互作用关系构建图网络，其中，该图网络的节点属于药物集合，该图网络的边属于药物间相互作用集合。
96.其中，药物集合可以表示为v，药物间相互作用集合可以表示为e，根据药物间相互作用关系构建的图网络可以表示为g＝v,e)。
97.在一些实施例中，药物间相互作用集合可以包括药物之间的协同作用和拮抗作
用。例如，如果药物dv和药物du之间有协同作用则令e
vu
＝1，如果药物dv和药物du之间有拮抗作用则令e
vu
＝-1。同时，本技术实施例还可以随机采样若干边此时可以令 e
vu
＝0。
98.在一些实施例中，药物集合中的药物的原始特征是对药物id进行独热编码得到的。例如，对于药物dv∈v的原始特征时根据药物dv的id进行独热编码获得，可以用zv表示。示例性的，药物id可以为药物编号，或者其他可以唯一标识该药物的符号。
99.在一些实施例中，根据药物间相互作用关系构建的图网络，还可以称为药物间相互作用图，本技术对此不做限定。
100.参见图3，示出了本技术实施例提供的药物推荐流程的一个具体例子。其中，阶段1 为药物表征阶段。在阶段1中以药物d1、d2、d3和d4为例进行说明。示例性的，药物间交互矩阵(drug-druginteractionmatrix)与药物间相互作用标签y1二者对应，均可以用于表示药物间相互作用关系，其中1表示药物间的协同作用，-1表示药物间的拮抗作用。根据药物间交互矩阵或药物间相互作用标签y1可以构建药物间相互作用图 (drug-druginteractiongraph)，其中实线表示药物间的协同作用，虚线表示药物间的拮抗作用。药物间相互作用图中所有的边表示药物之间的真实作用关系。
101.220，获取训练样本集，该训练样本集包括图网络中的至少两种药物样本的真实作用关系。
102.该至少两种药物样本属于药物集合，比如可以为药物集合中的任意两个或多个药物。该至少两种药物样本的真实作用关系，例如可以包括该至少两种药物样本两两之间的协同作用，或拮抗作用，或者没有相互作用。以该至少两种药物样本包括药物dv和药物du为例，药物dv和药物du的真实作用关系可以为e
vu
＝1、e
vu
＝-1或e
vu
＝0。
103.需要说明的是，训练样本集中可以包括大量的训练样本，每个训练样本可以为两种药物之间的真实作用关系，本技术对此不做限定。作为一个示例，训练样本集中可以包括药物间相互作用图中所有的边。
104.230，将该至少两种药物样本的原始特征，以及所述至少两种药物样本中每种药物样本相关的各药物的原始特征，输入该药物相互作用模型，得到该至少两种药物样本两两之间的边的分数。
105.示例性的，药物相互作用模型，可以为图同构网络(graph isomorphism network,gin)。也就是说，在构建药物间相互作用图之后，可以采用gin作为药物相互作用模型更新药物的表征向量。
106.在一些实施例中，gin可以包括多个图卷积层，例如可以包括t层图卷积层，t为大于1的正整数。其中，该gin的第1层图卷积层的输入为药物样本的原始特征，以及与所述该药物样本之间有相互作用的各药物的原始特征。示例性的，该原始特征可以为药物在药物间相互作用图中的原始特征，比如根据药物编号通过独热编码得到的特征向量。
107.gin的第t层图卷积层的更新隐层表征是该第t层图卷积层中的多层感知机(multilayerperceptron，mlp)对药物样本在gin的第(t-1)层图卷积层输出的隐层表征和与该药物样本之间有相互作用的各药物在该第(t-1)层图卷积层输出的隐层表征进行映射得到的。
108.示例性的，gin的第t层图卷积层的操作定义如下：
[0109][0110]
其中，表示药物dv经过t层的图卷积层更新后的隐层表征，表示参数为θ的mlp 模型，∈
(t)
表示第t层的图卷积层操作中的可学习的参数，nv表示与药物dv之间有相互作用的药物集合，表示药物du经过t层的图卷积层更新后的隐层表征，这里该药物du属于药物集合nv，可以是与药物dv之间有相互作用的任意一个药物。
[0111]
在一些实施例中，以训练样本包括药物du和药物dv之间的真实作用关系为例，在步骤 230中，可以获取药物du的经过t层的图卷积层更新后的隐层表征以及药物dv的经过t层的图卷积层更新后的隐层表征
[0112]
在得到药物du的经过t层的图卷积层更新后的隐层表征以及药物dv的经过t层的图卷积层更新后的隐层表征之后，可以根据隐层表征和隐层表征获取药物du和药物dv之间的边的分数。
[0113]
作为一种可能的实现方式，药物du和药物dv之间的边的分数可以根据药物du的隐层表征和药物dv的隐层表征之间内积运算得到。具体可以如下公式所示：
[0114][0115]
其中，表示药物du和药物dv之间的边的分数，()
t
表示转置运算。
[0116]
基于类似的方法，可以得到训练样本集中所有的训练样本，例如各药物两两之间的边的分数。
[0117]
240，根据该至少两种药物样本两两之间的边的分数，以及该至少两种药物样本的真实作用关系，更新该药物相互作用模型的参数。
[0118]
在一些实施例中，药物相互作用模型可以视为一个图上的链路回归模型，相应的损失函数可以通过均方差运算得到。示例性的，可以根据如下公式确定至少两种药物样本两两之间的边的分数与该至少两种药物样本的真实作用关系之间的损失#1：
[0119][0120]
其中，表示损失#1，e
train
表示参与训练过程的药物间相互作用图中的所有边，包括原始边集合e和负采样的边。
[0121]
然后，可以根据该损失#1，更新该药物相互作用模型的参数。示例性的，可以对公式 (1)中的参数θ、∈
(t)
进行更新。
[0122]
继续参见图3，在完成对药物相互作用模型(ddimodel)的训练后，就学习得到了具有连接标签预测的嵌入向量(thelearnedembeddingswithlinklabelprediction)，能够实现对药物的表征向量的更新。药物相互作用模型也可以称为药物相互作用知识图谱。
[0123]
因此，本技术实施例中，通过使用图网络中至少两种药物样本的真实作用关系、该至少两种药物样本的原始特征，以及该至少两种药物样本中每种药物样本相关的各药物的原始特征，实现对药物相互作用模型进行训练，得到训练好的药物相互作用模型。本技术实
施例通过该药物相互作用模型得到的药物的表征向量能够表征药物之间的相互作用关系。
[0124]
在药物表征阶段，在建立好药物相互作用模型之后，可以根据该药物相互作用模型，得到药物的合适的表征向量。本技术实施例中，当需要预测是否向第一用户推荐第一药物时，可以根据该药物相互作用模型，获得该第一药物的第一表征向量。在得到该第一药物的第一表征向量之后，可以进入药物推荐阶段。
[0125]
以下，对药物推荐阶段进行描述。
[0126]
在药物推荐阶段，首先可以建立药物推荐模型。药物推荐模型可以是根据的用户样本对药物样本的真实服用情况的训练样本对机器学习模型进行训练得到的。
[0127]
图4为本技术实施例提供的一种训练药物推荐模型的方法400的示意性流程图。方法 400可以由任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为服务器或终端设备，又例如，该电子设备可实施为图1中的训练设备103，本技术对此不做限定。示例性的，该药物推荐模型可以用于基于药物相互作用模型，向第一用户推荐合适的药物。
[0128]
如图4所示，该训练药物推荐模型的方法400可以包括步骤410至440。
[0129]
410，获取第一训练样本集，该第一训练样本集包括用户样本对药物样本的真实服用情况。
[0130]
在一些实施例中，该用户样本对药物样本的真实服用情况可以从用户与药物之间的二部图获得。例如，该用户样本可以属于用户与药物之间的二部图中的用户集合，药物样本可以属于用户与药物之间的二部图中的药物集合。
[0131]
需要说明的是，用户与药物之间的二部图通常是根据训练数据中用户服用药物的情况构建的。该二部图可以包括大量已知的用户服用药物的情况，例如用户#1当前服用的所有药物，用户#2当前服用的所有药物，当前服用药物#1的所有用户，当前服用药物#2的所有用户等。
[0132]
参见图3，阶段2为药物推荐阶段。在阶段2中以药物集合包括药物d1、d2、d3和 d4，用户集合包括用户s1、s2、s3和s4为例进行说明。示例性的，药物用户矩阵 (medicationusermatrix)与用户药物标签y2二者对应，均可以用于表示用户服用药物的情况。例如，在图3中，已知的标签y2包括{y1，y2，y3}，其中，y1表示用户s1对各药物d1、d2、d3和d4的服用情况，为(0,1,0,0)；y2表示用户s2对各药物d1、d2、d3和 d4的服用情况，为(0,0,1,0)；y3表示用户s3对各药物d1、d2、d3和d4的服用情况，为 (1,0,1,0)。标签y2中包括未知标签y4，即用户s4对各药物d1、d2、d3和d4的服用情况未知。其中，1表示用户服用药物，0表示用户未服用药物。
[0133]
示例性的，上述第一训练样本集可以包括已知的标签y2对应的用户对药物的真实服用情况，即包括用户样本s1、s2、s3对药物样本d1、d2、d3和d4的真实服用情况。
[0134]
进一步的，继续参见图3，根据药物用户矩阵或用户药物标签y2可以构建用户与药物之间的二部图(bipartitegraph)，其中用户与药物之间的实线表示该用户服用该药物，虚线表示该用户对该药物的服用情况未知。此时该二部图可以为需要进行边预测的二部图 (bipartitegraphforedge-levelprediction)，即预测用户s4对各药物d1、d2、d3和d4的服用情况，或者可以描述为预测用户s4与各药物d1、d2、d3和d4的边连接情况。
[0135]
在一些实施例中，可以根据用户服用药物情况，确定服用药物样本的各用户，以及该用户样本服用的各药物。
convolutionalnetwork,lightgcn)。也就是说，可以采用lightgcn，根据服用该药物样本#1的各用户的初始隐层表征和用户样本#1服用的各药物的初始隐层表征，对药物样本#1的初始隐层表征进行更新，得到药物样本#1的更新隐层表征。
[0153]
具体而言，在lightgcn中，传统神经网络模型中常用的特征变换和非线性激活函数都被去除了，仅采用简单的加权聚合来更新节点的特征。
[0154]
在一些实施例中，图卷积网络可以包括多个图卷积层，例如可以包括t层图卷积层， t为大于1的正整数。其中，该图卷积网络的第1层图卷积层的输入为步骤431中得到的服用药物样本#1的各用户的初始隐层表征和用户样本#1服用的各药物的初始隐层表征。
[0155]
在一些实施例中，药物在图卷积网络的第t层图卷积层的更新隐层表征是根据服用该药物的各用户在该图卷积网络的第(t-1)层图卷积层输出的隐层表征得到的，用户在第t 层图卷积层的更新隐层表征是根据该用户服用的各药物在第(t-1)层图卷积层输出的隐层表征得到的。
[0156]
示例性的，lightgcn中第t层图卷积层的操作定义如下公式(6)和(7)：
[0157][0158][0159]
其中，和分别表示用户si和药物dv在t层的图卷积层更新后的隐层表征(即更新隐层表征)，ni表示用户si服用的药物集合，nv表示正在服用药物dv的用户集合。
[0160]
可以理解的是，经过图卷积网络对药物的初始隐层表征进行更新，得到的药物的更新隐层表征是通过正则服用该药物的用户集合中的每个用户的隐层表征得到的，进一步每个用户的更新隐层表征又是根据该每个用户服用的药物的隐层表征得到的，实现了用户和药物之间相互进行表征，从而丰富了用户和药物的隐层表征，实现对用户的初始隐层表征和药物的初始隐层表征的更新。
[0161]
因此，本技术实施例得到的药物样本#1的更新隐层表征包含了正则服用该药物样本 #1的用户集合中的每个用户的特征，而该用户集合中每个用户的特征进一步又可以包含该用户服用的药物集合中每个药物的特征。
[0162]
433，根据药物样本#1的更新隐层表征和药物样本#1的初始隐层表征，得到该药物样本#1的第二表征向量。
[0163]
在一些实施例中，可以对药物样本#1在图卷积网络的各图卷积层的隐层表征进行加权聚合，得到该药物样本#1的聚合后的更新隐层表征，然后根据该聚合后的更新隐层表征和该药物样本#1的初始隐层表征，得到该药物样本#1的第二表征向量。
[0164]
示例性的，在经过图卷积网络的t层的图卷积操作后，每层图卷积层输出的药物样本 #1的更新隐层表征通过加权相加，同时加上药物样本#1的第一表征向量，可以得到该药物样本#1的第二表征向量。其中，各图卷积层的超参数可以为对各图卷积层的药物样本 #1的更新隐层表征进行加权聚合时的权重，用于表示各图卷积层的药物样本#1的隐层表征的重要性。
[0165]
例如，药物样本#1的第二表征向量可以如下公式(8)所示：
[0166]
[0167]
其中，h
′v表示药物样本#1的第二表征向量，hv表示药物样本#1的初始隐层表征，α
t
是需要自行设置的超参数，表示第t层的药物隐藏层表征的重要性。
[0168]
在得到药物样本#1的第二表征向量后，可以根据用户样本#1的原始特征和该药物样本#1的第二表征向量，得到向该用户样本#1推荐该药物样本#1的推荐得分。
[0169]
在一些实施例中，可以利用全连接网络(比如步骤431中的全连接网络)，将用户样本#1的原始特征映射到与药物样本#1的第二表征向量相同的特征维度，得到用户样本#1 的初始隐层表征，然后根据用户样本#1的初始隐层表征和药物样本#1的第二表征向量，确定向该用户样本#1推荐该药物样本#1的推荐得分。例如，可以根据用户样本#1的初始隐层表征和第二表征向量的内积得到该推荐分数。
[0170]
具体的，向用户si推荐药物dv的推荐得分可以如下公式(9)所示：
[0171][0172]
其中，表示向用户si推荐药物dv的推荐得分，hi可以采用公式(4)中获得的表征，h
′v可以采用公式(8)中获得的表征。
[0173]
继续参见图3，以用户样本包括用户s1、s2、s3，药物样本包括药物d1、d2、d3、 d4为例，在步骤440中可以将服用药物d1、d2、d3、d4的各用户的原始特征，用户s1、 s2、s3服用的各药物的表征向量输入药物推荐模型，得到向用户s1、s2、s3分别推荐药物 d1、d2、d3、d4的推荐分数。
[0174]
440，根据该推荐得分和用户样本对药物样本的真实服用情况，更新该药物推荐模型的参数。
[0175]
示例性的，可以负采样与正样本相同数量的负样本，然后根据交叉熵损失确定损失#2。这里，正样本可以为用户与药物的二部图中的原始边。以用户样本包括用户si，药物样本包括药物dv为例，损失#2可以如下公式(10)所示：
[0176][0177]
其中，表示损失#2，y
iv
表示用户si对药物dv的真实服用情况。
[0178]
继续图3中的例子，当用户样本包括用户s1、s2、s3，药物样本包括药物d1、d2、 d3、d4时，正样本包括用户s1服用药物d2、用户s2服用药物d3、用户s3服用药物d1和d2等4个正样本，此时可以负采样4个负样本，例如用户s1未服用物d1、用户s2未服用药物d1和d4、用户s3未服用药物d3等。利用该4个正样本和4个负样本，可以得到上述损失#2。
[0179]
然后，可以根据损失#2，更新该药物推荐模型的参数。示例性的，可以对公式(4) 和(5)中的参数包括w1、w2、b1和b2进行更新。在完成对药物推荐模型(drmodel) 的训练后，该药物推荐模型可以用于对用户进行药物推荐。
[0180]
因此，本技术实施例中，通过药物相互作用模型，得到药物样本的表征向量，然后通过该药物样本的表征向量、用户样本的原始特征和用户样本对药物样本的真实服用情况，实现对药物推荐模型进行训练，得到训练好的药物推荐模型。本技术实施例基于该药物相互作用模型得到的药物样本的表征向量对药物推荐模型进行训练，能够将药物之间的相互作用引入药物推荐模型，从而能够有助于避免药物推荐模型向用户推荐的药物中包含不恰当的药物组合，提高药物推荐的安全性。
[0181]
在药物推荐阶段，在训练好药物推荐模型之后，可以将服用第一药物的各用户的
原始特征、该第一药物的第一表征向量和第一用户的原始特征输入药物推荐模型，输出是否向第一用户推荐第一药物的推荐结果。
[0182]
图6为本技术实施例提供的一种药物推荐的方法600的示意性流程图。方法600可以由任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为服务器或终端设备，又例如，该电子设备可实施为图1中的计算模块109，本技术对此不做限定。示例性的，该药物推荐方法可以基于药物相互作用模型和药物推荐模型，向用户推荐合适的药物。
[0183]
如图6所示，该药物推荐的方法600可以包括步骤610至630。
[0184]
610，根据用户服用药物情况，确定服用第一药物的各用户。
[0185]
示例性的，可以根据用户与药物之间的二部图，确定服用第一药物的各用户。其中，第一药物可以属于该二部图中的药物集合。这里，确定服用第一药物的各用户，具体可以实现为在用户与药物之间二部图中，获取与第一药物具有边连接的用户(不包括第一用户)。
[0186]
本技术实施例中，需要推荐药物的用户，如第一用户，可以属于用户与药物之间的二部图中的用户集合。该第一用户可以是已经有电子健康记录的老用户，也可以是没有电子健康记录的新用户，不做限定。电子健康记录(electronic healthrecord，ehr)可以为个人官方的健康记录，可以在多个设备和机构中共享。例如，一个电子健康记录中可以包括：年龄、身高、体重、血压、患病史、过敏史、服用药物清单、手术信息、心理测评等。
[0187]
示例性的，当第一用户是已经有电子健康记录的老用户时，该第一用户可以与用户与药物之间的二部图中的除第一药物之外的其他药物的具有边连接。
[0188]
当第一用户是没有电子健康记录的新用户时，该第一用户可以与用户与药物之间的二部图中的药物的均没有边连接。例如，参见图3，用户s4为新加入的用户，用户s4与用户与药物之间二部图中的所有药物(如d1、d2、d3、d4)均没有边连接。
[0189]
在一些实施例中，还可以根据用户服用药物情况，确定第一用户服用的各药物。
[0190]
示例性的，当第一用户与用户与药物之间的二部图中的除第一药物之外的其他药物的具有边连接时，可以根据该二部图，确定第一用户服用的各药物，具体可以实现为在用户与药物之间二部图中，获取与第一用户具有边连接的药物(不包括第一药物)。
[0191]
需要说明的是，用户与药物之间的二部图的节点包括用户和药物，用户和他们服用的药物通过边连接，因此对用户的药物推荐问题即为该二部图上的边预测问题。本技术实施例中，第一用户与第一药物的边连接情况是未知的。因此，预测第一用户是否服用第一药物，即预测该二部图中第一用户与第一药物是否通过边连接。
[0192]
具体的，用户与药物之间的二部图可以参见图4中的描述，这里不再赘述。
[0193]
620，利用药物相互作用模型，得到该第一药物的第一表征向量；其中，该药物相互作用模型是根据药物间相互作用关系构建的图网络得到的。
[0194]
在一些实施例中，还可以利用药物相互作用模型，得到第一用户服用的各药物的表征向量。
[0195]
具体的，药物相互作用模型获取药物的表征向量的过程可以参见图2中的描述，这里不再赘述。
[0196]
630，利用药物推荐模型，根据服用该第一药物的各用户的原始特征、第一表征向量和该第一用户的原始特征，确定是否向第一用户推荐第一药物。
[0197]
其中，药物推荐模型是根据第一药物样本的表征向量和用户样本对第一药物样本的真实服用情况对机器学习模型进行训练得到的，该第一药物样本的表征向量是基于上述药物相互作用模型得到的。该训练好的药物推荐模型引入了药物之间的相互作用。
[0198]
示例性的，药物推荐模型可以获取向该第一用户推荐该第一药物的推荐得分，根据该推荐得分可以确定是否向该第一用户推荐该第一药物。例如，当推荐得分大于或等于预设阈值时，可以确定向第一用户推荐该第一药物，当推荐得分小于预设阈值时，可以确定不向第一用户推荐该第一药物。
[0199]
在一些实施例中，可以根据预测的第一用户是否服用第一药物，得到用户与药物之间的二部图中第一用户与第一药物的边连接情况。例如，参见图3，基于本技术实施例提供的药物推荐方法，能够预测得到用户s4与药物d1、d2、d3、d4的边连接情况。
[0200]
因此，本技术实施例通过药物相互作用模型得到第一药物的第一表征向量，药物推荐模型基于该第一表征向量、服用该第一药物的用户的原始特征和第一用户的原始特征，能够确定是否向第一用户推荐该第一药物。由于第一表征向量能够表征第一药物与其他药物之间的相互作用关系，且药物推荐模型引入了药物之间的相互作用，因此本技术实施例能够有助于避免向用户推荐的药物中包含不恰当的药物组合，从而提高药物推荐的安全性。
[0201]
示例性的，不恰当的药物组合可以指具有拮抗作用的药物组合。
[0202]
例如，该药物推荐模型可以获取第一用户与用户与药物之间二部图中的各药物的推荐分数，从而得到向第一用户推荐的药物清单。其中，该药物清单中没有包含不恰当的药物组合，从而能够提高药物推荐的安全性。
[0203]
又例如，该药物推荐模型能够避免向第一用户推荐的第一药物与第一用户正在服用的药物形成不恰当的药物组合，从而能够提高药物推荐的安全性。
[0204]
在一些实施例中，当利用药物相互作用模型，得到了第一用户服用的各药物的表征向量时，可以根据服用该第一药物的各用户的原始特征、该第一表征向量和该第一用户服用的各药物的表征向量，得到该第一药物的第二表征向量；然后，根据该第一用户的原始特征和该第二表征向量，确定是否向该第一用户推荐第一药物。
[0205]
在一些实施例中，该药物推荐模型包括全连接网络和图卷积网络。
[0206]
其中，根据服用该第一药物的各用户的原始特征、该第一表征向量和该第一用户服用的各药物的表征向量，得到该第一药物的第二表征向量，具体可以通过以下方式实现：
[0207]
利用全连接网络，将服用所述第一药物的各用户的原始特征、所述第一表征向量和所述第一用户服用的各药物的表征向量映射到相同的特征维度，得到服用所述第一药物的各用户的初始隐层表征、所述第一药物的初始隐层表征和所述第一用户服用的各药物的初始隐层表征；
[0208]
将服用所述第一药物的各用户的初始隐层表征和所述第一用户服用的各药物的初始隐层表征输入图卷积网络，得到所述第一药物的更新隐层表征；
[0209]
根据所述第一药物的更新隐层表征和所述第一药物的初始隐层表征，得到所述第二表征向量。
[0210]
在一些实施例中，该第一药物在所述图卷积网络的第t层图卷积层的更新隐层表征是根据服用所述第一药物的各用户在所述图卷积网络的第(t-1)层图卷积层输出的隐层
表征得到的，所述第一用户在所述第t层图卷积层的更新隐层表征是根据所述第一用户服用的各药物在所述第(t-1)层图卷积层输出的隐层表征得到的，t为大于1的正整数。
[0211]
其中，所述图卷积网络的第1层图卷积层的输入为所述服用所述第一药物的各用户的初始隐层表征和所述第一用户服用的各药物的初始隐层表征。
[0212]
在一些实施例中，可以对所述第一药物在所述图卷积网络的各图卷积层的隐层表征进行加权聚合，得到所述第一药物的聚合后的更新隐层表征；以及根据所述聚合后的更新隐层表征和所述第一药物的初始隐层表征，得到所述第二表征向量。
[0213]
在一些实施例中，可以根据所述各图卷积层的超参数，对所述第一药物在所述各图卷积层的隐层表征进行加权聚合，得到所述聚合后的更新隐层表征，其中，所述各图卷积层的超参数表示所述第一药物在所述各图卷积层的隐层表征的重要性。
[0214]
具体的，药物推荐模型根据服用该第一药物的各用户的原始特征、该第一表征向量和第一用户服用的各药物的表征向量，得到该第一药物的第二表征向量的过程与获取药物样本#1的第二表征向量的过程类似，可以参见上文中图4和图5的描述，这里不再赘述。
[0215]
因此，本技术实施例基于服用该第一药物的各用户的原始特征、该第一表征向量和该第一用户服用的各药物的表征向量，得到该第二表征向量，使得第二表征向量融合了服用该第一药物的各用户和第一用户服用的各药物的相关知识。
[0216]
在获取第一药物的第二表征向量之后，可以根据该第一用户的原始特征和该第二表征向量，确定是否向该第一用户推荐第一药物。
[0217]
在一些实施例中，可以利用全连接网络，将所述第一用户的原始特征映射到与第二表征向量相同的特征维度，得到所述第一用户的初始隐层表征；以及根据所述第一用户的初始隐层表征和所述第二表征向量，确定是否向所述第一用户推荐所述第一药物。
[0218]
作为一种可能的实现方式，可以根据第一用户的初始隐层表征和第一药物的第二表征向量，得到向该第一用户推荐该第一药物的推荐得分，根据该推荐得分可以确定是否向该第一用户推荐该第一药物。
[0219]
具体的，获取向该第一用户推荐该第一药物的推荐得分的过程，与获取向用户样本#1 推荐药物样本#1的推荐得分的过程相似，可以参见图4中的描述，这里不再赘述。
[0220]
因此，药物推荐模型基于该第一表征向量、服用该第一药物的用户的原始特征、第一用户的原始特征，以及第一用户服用的各药物的相关知识，得到该第一药物的第二表征向量，由于第二表征向量融合了服用该第一药物的各用户和第一用户服用的各药物的相关知识，使得基于该第二表征向量得到的向第一用户推荐第一药物的推荐结果更加准确。因此，本技术实施例能够有助于避免向用户推荐的药物中包含不恰当的药物组合，从而提高药物推荐的安全性。
[0221]
在一些实例中，本技术实施例提供的药物推荐方法能够给医生在临床诊断时提供处方参考，防止缺乏临床经验的医生开出产生拮抗作用的药物处方，同时可以向医生推荐相互间具有协同作用的药物组合。
[0222]
进一步的，本技术实施例的药物推荐方法，能够在临床资源紧缺期间为老年人购买和服用非处方药物提供可靠的建议。
[0223]
在一些实例中，本技术实施例提供的药物相互作用模型能够对新研究出的存在相互作用的药物组合进行及时更新，对医生和病人进行可靠的药物推荐。
[0224]
以上结合附图详细描述了本技术的具体实施方式，但是，本技术并不限于上述实施方式中的具体细节，在本技术的技术构思范围内，可以对本技术的技术方案进行多种简单变型，这些简单变型均属于本技术的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本技术对各种可能的组合方式不再另行说明。又例如，本技术的各种不同的实施方式之间也可以进行任意组合，只要其不违背本技术的思想，其同样应当视为本技术所公开的内容。
[0225]
还应理解，在本技术的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。应理解这些序号在适当情况下可以互换，以便描述的本技术的实施例能够以除了在图示或描述的那些以外的顺序实施。
[0226]
上文详细描述了本技术的方法实施例，下文结合图7至图10，详细描述本技术的装置实施例。
[0227]
图7是本技术实施例的药物推荐的装置700的示意性框图。如图7所示，该药物推荐的装置700可包括确定单元710、药物相互作用模型720和药物推荐模型730。
[0228]
确定单元710，用于根据用户服用药物情况，确定服用第一药物的各用户。
[0229]
药物相互作用模型720，用于得到所述第一药物的第一表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的。
[0230]
药物推荐模型730，用于根据服用所述第一药物的各用户的原始特征、所述第一表征向量和第一用户的原始特征，确定是否向所述第一用户推荐所述第一药物。
[0231]
其中，所述药物推荐模型是根据第一药物样本的表征向量和用户样本对所述第一药物样本的真实服用情况对机器学习模型进行训练得到的，所述第一药物样本的表征向量是基于所述药物相互作用模型得到的。
[0232]
在一些实施例中，确定单元710还用于：根据所述用户服用药物情况，确定所述第一用户服用的各药物。
[0233]
药物相互作用模型720还用于得到所述第一用户服用的各药物的表征向量。
[0234]
药物推荐模型730具体用于：
[0235]
根据服用所述第一药物的各用户的原始特征、所述第一表征向量和所述第一用户服用的各药物的表征向量，得到所述第一药物的第二表征向量；
[0236]
根据所述第一用户的原始特征和所述第二表征向量，确定是否向所述第一用户推荐所述第一药物。
[0237]
在一些实施例中，所述药物推荐模型730包括全连接网络和图卷积网络。
[0238]
其中，药物推荐模型730具体用于：
[0239]
利用全连接网络，将服用所述第一药物的各用户的原始特征、所述第一表征向量和所述第一用户服用的各药物的表征向量映射到相同的特征维度，得到服用所述第一药物的各用户的初始隐层表征、所述第一药物的初始隐层表征和所述第一用户服用的各药物的初始隐层表征；
[0240]
将服用所述第一药物的各用户的初始隐层表征和所述第一用户服用的各药物的初始隐层表征输入图卷积网络，得到所述第一药物的更新隐层表征；
[0241]
根据所述第一药物的更新隐层表征和所述第一药物的初始隐层表征，得到所述第二表征向量。
[0242]
在一些实施例中，所述第一药物在所述图卷积网络的第t层图卷积层的更新隐层表征是根据服用所述第一药物的各用户在所述图卷积网络的第(t-1)层图卷积层输出的隐层表征得到的，所述第一用户在所述第t层图卷积层的更新隐层表征是根据所述第一用户服用的各药物在所述第(t-1)层图卷积层输出的隐层表征得到的，t为大于1的正整数；
[0243]
所述图卷积网络的第1层图卷积层的输入为所述服用所述第一药物的各用户的初始隐层表征和所述第一用户服用的各药物的初始隐层表征。
[0244]
在一些实施例中，药物推荐模型730具体用于：
[0245]
对所述第一药物在所述图卷积网络的各图卷积层的隐层表征进行加权聚合，得到所述第一药物的聚合后的更新隐层表征；
[0246]
根据所述聚合后的更新隐层表征和所述第一药物的初始隐层表征，得到所述第二表征向量。
[0247]
在一些实施例中，药物推荐模型730具体用于：
[0248]
利用全连接网络，将所述第一用户的原始特征映射到与所述第二表征向量相同的特征维度，得到所述第一用户的初始隐层表征；
[0249]
根据所述第一用户的初始隐层表征和所述第二表征向量，确定是否向所述第一用户推荐所述第一药物。
[0250]
在一些实施例中，装置700还包括第一获取单元，用于获取第一训练样本集，所述第一训练样本集包括所述用户样本对所述第一药物样本的真实服用情况。
[0251]
所述药物相互作用模型720还用于得到所述第一药物样本的表征向量；
[0252]
所述药物推荐模型730还用于输入将所述用户样本的原始特征和所述第一药物样本的表征向量，得到向所述用户样本推荐所述第一药物样本的推荐得分；
[0253]
装置700还包括第一训练单元，用于根据所述推荐得分和所述用户样本对所述第一药物样本的真实服用情况，更新所述药物推荐模型的参数。
[0254]
在一些实施例中，所述图网络的节点属于药物集合，所述图网络的边属于药物间相互作用集合，其中，所述药物间相互作用集合包括药物之间的协同作用和拮抗作用。
[0255]
在一些实施例中，所述药物集合中的药物的原始特征是对药物id进行独热编码得到的。
[0256]
在一些实施例中，所述药物相互作用模型720包括图同构网络，其中，所述第一药物在所述图同构网络的第t层图卷积层的更新隐层表征是所述第t层图卷积层中的多层感知机mlp对所述第一药物在所述图同构网络的第(t-1)层图卷积层输出的隐层表征和与所述第一药物之间有相互作用的各药物在所述第(t-1)层图卷积层输出的隐层表征进行映射得到的，t为大于1的正整数；
[0257]
所述图同构网络的第1层图卷积层的输入为所述第一药物的原始特征，以及与所述第一药物之间有相互作用的各药物的原始特征。
[0258]
在一些实施例中，装置700还包括第二获取单元，用于获取第二训练样本集，所述第二训练样本集包括所述图网络中的至少两种第二药物样本的真实作用关系。
[0259]
药物相互作用模型720还用于输入将所述至少两种第二药物样本的原始特征，以
及所述至少两种第二药物样本中每种第二药物样本相关的各药物的原始特征，得到所述至少两种第二药物样本两两之间的边的分数。
[0260]
装置700还包括第二训练单元，用于根据所述至少两种第二药物样本两两之间的边的分数，以及所述至少两种第二药物样本的真实作用关系，更新所述药物相互作用模型的参数。
[0261]
在一些实施例中，所述第一用户的原始特征是根据所述第一用户的血压、年龄、患病史和心理测评数据中的至少一种确定的。
[0262]
应理解，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，在该实施例中药物推荐的装置700可以对应于执行本技术实施例的方法600的相应主体，并且装置700中的各个模块的前述和其它操作和/ 或功能分别为了实现上文中的方法600中的相应流程，为了简洁，在此不再赘述。
[0263]
图8是本技术实施例的训练模型的装置800的示意性框图。如图8所示，该训练模型的装置800可包括获取单元810、药物相互作用模型820、药物推荐模型830和训练单元 840。
[0264]
获取单元810，用于获取第一训练样本集，所述第一训练样本集包括用户样本对第一药物样本的真实服用情况。
[0265]
药物相互作用模型820，用于得到所述第一药物样本的表征向量；其中，所述药物相互作用模型是根据药物间相互作用关系构建的图网络得到的。
[0266]
药物推荐模型830，用于将所述用户样本的原始特征和所述第一药物样本的表征向量，输入所述药物推荐模型，得到向所述用户样本推荐所述第一药物样本的推荐得分。
[0267]
训练单元840，用于根据所述推荐得分和所述用户样本对所述第一药物样本的真实服用情况，更新所述药物推荐模型的参数。
[0268]
应理解，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，在该实施例中训练模型的装置800可以对应于执行本技术实施例的方法400的相应主体，并且装置800中的各个模块的前述和其它操作和/ 或功能分别为了实现上文中的方法400中的相应流程，为了简洁，在此不再赘述。
[0269]
图9是本技术实施例的训练模型的装置900的示意性框图。如图9所示，该训练模型的装置900可包括构建单元910，获取单元920、药物相互作用模型930和训练单元940。
[0270]
构建单元910，用于根据药物间相互作用关系构建图网络，其中，所述图网络的节点属于药物集合，所述图网络的边属于药物间相互作用集合。
[0271]
获取单元920，用于获取第二训练样本集，所述第二训练样本集包括所述图网络中的至少两种第二药物样本的真实作用关系。
[0272]
药物相互作用模型930，用于输入将所述至少两种第二药物样本的原始特征，以及所述至少两种第二药物样本中每种第二药物样本相关的各药物的原始特征，得到所述至少两种第二药物样本两两之间的边的分数。
[0273]
训练单元940，用于根据所述至少两种第二药物样本两两之间的边的分数，以及所述至少两种第二药物样本的真实作用关系，更新所述药物相互作用模型的参数。
[0274]
应理解，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，在该实施例中训练模型的装置900可以对应于执行本技术实施例的方法200的相应主体，并且装置900中的各个模块的前述和其它操作和/ 或
功能分别为了实现上文中的方法200中的相应流程，为了简洁，在此不再赘述。
[0275]
上文中结合附图从功能模块的角度描述了本技术实施例的装置和系统。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本技术实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本技术实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
[0276]
如图10是本技术实施例提供的电子设备1000的示意性框图。
[0277]
如图10所示，该电子设备1000可包括：
[0278]
存储器1010和处理器1020，该存储器1010用于存储计算机程序，并将该程序代码传输给该处理器1020。换言之，该处理器1020可以从存储器1010中调用并运行计算机程序，以实现本技术实施例中的方法。
[0279]
例如，该处理器1020可用于根据该计算机程序中的指令执行上述方法200，或400，或600中的步骤。
[0280]
在本技术的一些实施例中，该处理器1020可以包括但不限于：
[0281]
通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列(field programmablegate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
[0282]
在本技术的一些实施例中，该存储器1010包括但不限于：
[0283]
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器 (read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambusram，dr ram)。
[0284]
在本技术的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器1010中，并由该处理器1020执行，以完成本技术提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备1000中的执行过程。
[0285]
可选的，如图10所示，该电子设备1000还可包括：
[0286]
收发器1030，该收发器1030可连接至该处理器1020或存储器1010。
[0287]
其中，处理器1020可以控制该收发器1030与其他设备进行通信，具体地，可以向其
他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器1030可以包括发射机和接收机。收发器1030还可以进一步包括天线，天线的数量可以为一个或多个。
[0288]
应当理解，该电子设备1000中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
[0289]
根据本技术的一个方面，提供了一种通信装置，包括处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行所述存储器中存储的计算机程序，使得所述编码器执行上述方法实施例的方法。
[0290]
根据本技术的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本技术实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
[0291]
根据本技术的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法实施例的方法。
[0292]
换言之，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid statedisk，ssd))等。
[0293]
可以理解的是，在本技术的具体实施方式中，可能涉及到用户信息等相关的数据。当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0294]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0295]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨
论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0296]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
[0297]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以该权利要求的保护范围为准。