实现药品推荐的模型训练方法、装置及计算计设备与流程

本发明涉及计算机技术领域，尤其涉及一种实现药品推荐的模型训练方法、装置及计算机设备。

背景技术：

随着人工智能的发展，基于神经网络的药品推荐越来越受到广大研究学者的重视。

然而，目前的药品推荐主要依赖于个体病患的病情，不仅未能够考虑不同病患之间的相似性，也未能够考虑不同病患在同一种病情中可能存在的药品排斥性，进而导致药品推荐的准确率不高。

因此，如何提高药品推荐的准确率仍亟待解决。

技术实现要素：

本发明各实施例提供一种实现药品推荐的模型训练方法、装置、计算机设备及存储介质，以解决相关技术中存在的药品推荐的准确率不高的问题。

其中，本发明所采用的技术方案为：

根据本发明的一个方面，一种实现药品推荐的模型训练方法，包括：获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征；将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。

根据本发明的一个方面，一种实现药品推荐的模型训练装置，包括：特征获取模块，用于获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征；图构建模块，用于基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建；图特征获取模块，用于根据所述关系图的邻接结构，将所述关系图中节点所表示的特征转化为图信息特征；损失值计算模块，用于将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。

根据本发明的一个方面，一种计算机设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的实现药品推荐的模型训练方法。

根据本发明的一个方面，一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的实现药品推荐的模型训练方法。

在上述技术方案中，获取病患的病患数据和用药数据，以通过词嵌入转化处理得到对应的病患特征和药品特征，进而基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建，由此将关系图中节点表示的特征转化为图信息特征，最终根据该图信息特征输入模型的编解码网络计算得到的损失值，来判断模型是否完成训练，即收敛。

也就是说，基于构建的病患与药品之间的关系图，药品推荐不单单依赖于个体病患的病情，还依赖于融合了病患与药品使用关系的图信息特征，使得药品推荐不仅考虑到不同病患之间的相似性，而且考虑到药品在同一种病情中的排斥性，从而有效地解决了现有技术中药品推荐的准确率不高的问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本发明所涉及的实施环境的示意图。

图2是根据一示例性实施例示出的一种计算机设备的硬件结构框图。

图3是根据一示例性实施例示出的一种实现药品推荐的模型训练方法的流程图。

图4是图3对应实施例中步骤310在一个实施例的流程图。

图5是图3对应实施例所涉及的关系图的结构示意图。

图6是图3对应实施例中步骤330在一个实施例的流程图。

图7是图3对应实施例中步骤350在一个实施例的流程图。

图8为图3对应实施例所涉及的编解码网络的结构示意图。

图9是图3对应实施例中步骤370在一个实施例的流程图。

图10是图3对应实施例中步骤370在另一个实施例的流程图。

图11是根据一示例性实施例示出的推荐药品预测过程的方法流程图。

图12是图11对应实施例中推荐药品预测过程的具体实现示意图。

图13是根据一示例性实施例示出的一种实现药品推荐的模型训练装置的框图。

图14是根据一示例性实施例示出的一种计算机设备的框图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1为一种实现药品推荐的模型训练方法所涉及的实施环境的示意图。该实施环境包括用户端110和服务端130。

具体地，用户端110，部署于医院、研究中心等场所，用于提供病患的病患数据和用药数据。该用户端110可以是台式电脑、笔记本电脑、平板电脑、智能手机、掌上电脑、便携移动终端等等电子设备，在此不构成具体限定。

服务端130，该服务端130可以是台式电脑、笔记本电脑、服务器等等计算机设备，还可以是由多台服务器构成的服务器集群，甚至是由多台服务器构成的云计算中心。其中，服务器是为用户提供后台服务的电子设备，例如，后台服务包括但不限于药品推荐服务等等。

服务端130与用户端110之间预先建立通信连接，并通过通信连接实现与用户端110的数据传输。传输的数据包括但不限于：病患的病患数据和用药数据、推荐药品等等。

通过用户端110与服务端130的交互，用户端110将收集到病患的病患数据和用药数据上传至服务端130，以使服务端130实现药品推荐的模型训练，进而基于收敛的模型提供药品推荐服务。

对于服务端130而言，在接收到用户端110上传了待推荐病患的病患数据之后，便能够调用药品推荐服务，向用户端110进行推荐药品的推荐。

图2是根据一示例性实施例示出的一种计算机设备的硬件结构框图。该种计算机设备适用于图1所示出实施环境中的服务端130。

需要说明的是，该种计算机设备只是一个适配于本发明的示例，不能认为是提供了对本发明的使用范围的任何限制。该种计算机设备也不能解释为需要依赖于或者必须具有图2中示出的示例性的计算机设备200中的一个或者多个组件。

计算机设备200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，计算机设备200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(cpu,centralprocessingunits)270。

具体地，电源210用于为计算机设备200上的各硬件设备提供工作电压。

接口230包括至少一有线或无线网络接口，用于与外部设备交互。例如，进行图1所示出实施环境中用户端110与服务端130之间的交互。

当然，在其余本发明适配的示例中，接口230还可以进一步包括至少一串并转换接口233、至少一输入输出接口235以及至少一usb接口237等，如图2所示，在此并非对此构成具体限定。

存储器250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253及数据255等，存储方式可以是短暂存储或者永久存储。

其中，操作系统251用于管理与控制计算机设备200上的各硬件设备以及应用程序253，以实现中央处理器270对存储器250中海量数据255的运算与处理，其可以是windowsservertm、macosxtm、unixtm、linuxtm、freebsdtm等。

应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对计算机设备200的一系列计算机可读指令。例如，实现药品推荐的模型训练装置可视为部署于计算机设备200的应用程序253。

数据255可以是存储于磁盘中的照片、图片等，还可以是病患的病患数据、用药数据等，存储于存储器250中。

中央处理器270可以包括一个或多个以上的处理器，并设置为通过至少一通信总线与存储器250通信，以读取存储器250中存储的计算机可读指令，进而实现对存储器250中海量数据255的运算与处理。例如，通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成实现药品推荐的模型训练方法。

此外，通过硬件电路或者硬件电路结合软件也能同样实现本发明，因此，实现本发明并不限于任何特定硬件电路、软件以及两者的组合。

请参阅图3，在一示例性实施例中，一种实现药品推荐的模型训练方法适用于图1所示实施环境的服务端，该服务端的结构可以如图2所示。

该种实现药品推荐的模型训练方法可以由服务端执行，也可以理解为由服务端中运行的应用程序(即实现药品推荐的模型训练装置)执行。在下述方法实施例中，为了便于描述，以各步骤的执行主体为服务端加以说明，但是并不对此构成限定。

该种实现药品推荐的模型训练方法可以包括以下步骤：

步骤310，获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征。

其中，病患数据，用于描述病患的病情，包括但不限于：病患的入院记录、病史、检验检查报告和诊断信息等等。

用药数据，则是用于描述医生基于病患的病情所使用到的药品，包括但不限于：药品的名称和适应症信息等等。

关于病患的病患数据和用药数据的来源，可以是用户端实时收集到的数据，也可以是计算机设备中预先存储的数据。那么，对于计算机设备而言，所获取到的数据，既可以是用户端实时收集到的数据，还可以是计算机设备自身预先存储的数据，即读取一历史时间段内用户端收集到的数据，此处并未加以具体限定。

那么，在获取到病患的病患数据和用药数据之后，计算机设备既可以对该些数据进行实时处理，还可以预先存储了再处理。例如，在计算机设备处理任务少的时候处理，或者，按照工作人员的指示处理。

应当理解，对于计算机设备而言，直接处理文本的效率要低于之间处理数字的效率，也可以认为是，计算机设备更容易理解数字语言，因此，在基于病患的病患数据和用药数据进行药品推荐之前，需要对病患的病患数据和用药数据进行数字编码。

本实施例中，对病患的病患数据和用药数据进行数字编码，是通过词嵌入转换处理实现的。

下面针对病患的病患数据和用药数据，对词嵌入转换处理过程进行详细地说明。

一方面，所述病患的病患数据包括所述病患的入院记录、病史、检验检查报告和诊断信息。

具体地，在一实施例的实现中，如图4所示，步骤310可以包括以下步骤：

步骤311，对所述病患的入院记录、病史、检验检查报告和诊断信息分别进行词嵌入转化处理，得到对应的词嵌入向量。

步骤313，将所述病患的入院记录、病史、检验检查报告和诊断信息分别对应的词嵌入向量进行拼接，得到所述病患特征。

可以理解，病患的病患数据可能存在“无”、“未提及”、“待查”等无效信息，还可能存在空的诊断信息。为此，本实施例中，在步骤311之前，步骤310还可以进一步包括以下步骤：对病患的病患数据进行预处理。

其中，该预处理过程包括但不限于：合并数据、过滤数据、拼接数据等。

另一方面，所述病患的用药数据包括所述病患基于所述病患数据所使用药品的适应症信息。

具体地，在一实施例的实现中，如图4所示，步骤310还可以包括以下步骤：

步骤315，对所述药品的适应症信息进行词嵌入转化处理，得到所述药品特征。

由此，基于词嵌入转换处理，实现了对病患的病患数据和用药数据的数字编码，不仅有效地提高了计算机设备的处理效率，而且相较于one-hot编码，还能够有效地降低计算机设备的数据处理量。

此外，患病特征依赖的患病数据的种类更加地丰富，也有利于提高药品推荐的准确率。

步骤330，基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建。

发明人发现，目前的药品推荐未能够考虑不同病患之间的相似性，也未能够考虑不同病患在同一种病情中可能存在的药品排斥性，故而，本实施例中，将基于病患与药品的使用关系，构建病患与药品之间的关系图。其中，关系图包括病患节点、药品节点、以及连接在病患节点与药品节点之间的路径。

该病患节点，存储有病患特征；药品节点，存储有药品特征；路径，连接于病患节点与药品节点之间，视为存储了病患与药品的使用关系。也可以理解为，病患节点，用于表示其所存储的病患特征；药品节点，用于表示其所存储的药品特征；路径，则用于表示其存储的病患与药品的使用关系。

下面结合图5，对关系图的构建过程进行详细地说明。

具体而言，在一实施例的实现中，如图6所示，步骤330可以包括以下步骤：

步骤331，根据所述病患对应的病患标识创建病患节点，将病患特征存储至病患节点，并根据所述病患使用药品对应的药品标识创建药品节点，将药品特征存储至药品节点。

步骤333，基于病患与药品的使用关系，在所述病患节点与所述药品节点之间构建一条路径，形成病患与药品之间的关系图。

举例来说，如图5所示，病患节点401，用于存储病患特征u1。病患节点406，用于存储病患特征u2。

药品节点402，用于存储基于该病患特征u1所使用药品对应的药品特征t1。药品节点405，则用于存储基于该病患特征u1所使用药品对应的药品特征t3。

在此补充说明的是，无论是病患节点，还是药品节点，作为关系图中的节点，用于表示病患特征或者药品特征，是通过节点标识唯一表示的。例如，病患节点可以用病患对应的病患名称作为病患标识唯一地表示；药品节点则可以用该病患使用药品的名称作为药品标识唯一地表示。

一方面，针对同一病患特征u1而言，病患节点401与药品节点402之间构建的路径为403，病患节点401与药品节点405之间构建的路径为404，也就是说，即使病患特征相同，即病情相同，也可能因为不同病患，而使用不同的药品。

另一方面，针对同一药品特征t1而言，药品节点402与病患节点401之间构建的路径为403，药品节点402与病患节点406之间构建的路径为407，也就是说，即使病患特征不同，即病情不同或者对应于不同病患，也可能因为不同病患的相似性，而使用相同的药品。

由此可见，关系图，实质上是通过图形结构的方式来描述不同病患之间在用药上的相似性、以及药品针对不同病患在同一种病情中的排斥性。

步骤350，根据所述关系图的邻接结构，将所述关系图中节点表示的特征转化为图信息特征。

发明人意识到，目前的药品推荐单单依赖于个体病患的病情，导致药品推荐的准确率不高，为此，本实施例中，在获取病患特征和药品特征之后，将基于关系图的邻接结构进行特征转化，以便于获取融合了病患与药品使用关系的图信息特征。

其中，关系图的邻接结构，用于描述关系图中各节点之间的邻接关系，以此反映病患与药品之间的使用关系。

仍结合图5对关系图的邻接结构进行以下说明。

如图5所示，对于病患节点401而言，通过路径403连接于药品节点402，通过路径404连接于药品节点405，由此，病患节点401在关系图中具有邻接关系的节点包括药品节点402和药品节点405。

那么，在进行特征转化时，病患节点401所表示的病患特征u1便会转化为融合了上述邻接关系的图信息特征。

由此，依赖于图信息特征进行药品推荐，不仅考虑了不同病患之间的相似性，而且考虑到药品在同一种病情中的排斥性，从而更加有利于提高药品推荐的准确率。

步骤370，将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。

也就是说，在模型的损失值最小化时，模型训练完成，实现药品推荐的模型收敛，那么，收敛的模型便具有了推荐药品预测能力，即能够对待推荐病患的病患数据进行推荐药品的预测。

通过如上所述的过程，实现了基于关系图的模型训练，使得完成模型训练的模型不仅考虑了病患之间的相似性，还结合药品特征考虑了药品与病患之间的使用关系，进而通过病患之间的相似性和药品与病患之间的使用关系达到快速精准的药物推荐效果。

请参阅图7，在一示例性实施例中，步骤350可以包括以下步骤：

步骤351，针对所述关系图中的每一个节点，基于所述关系图的邻接结构，确定该节点在所述关系图中的邻居节点。

首先说明的是，在关系图中，无论是病患节点所表示的病患特征，还是药品节点所表示的药品特征，基于关系图的邻接结构进行特征转化的原理相同，下面以病患节点所表示的病患特征为例，结合图5详细地说明特征转化的原理。

例如，如图5所示，针对关系图中病患节点401，基于关系图的邻接结构所描述的各节点之间在关系图中的邻接关系，确定病患节点401在关系图中的邻居节点，即病患节点401在关系图中具有邻接关系的节点，包括药品节点402和药品节点405。

在确定邻居节点为药品节点402、药品节点405之后，便可由关系图中获得药品节点402表示的药品特征t1和药品节点405表示的药品特征t3。

步骤353，获取随机初始化的权重矩阵和所述邻居节点表示的特征。应当理解，模型训练，实质是对模型的参数进行迭代更新，以使模型收敛的过程。

本实施例中，权重矩阵，即为模型的参数，在模型训练启动时，随机初始化生成。

步骤355，根据所述权重矩阵和所述邻居节点表示的特征，计算得到由该节点表示的特征转化的图信息特征。

那么，在获得随机初始化的权重矩阵、以及病患节点的所有邻居节点(药品节点)表示的药品特征之后，方能够计算该病患节点表示的病患特征转化的图信息特征。

具体而言，图信息特征的计算公式(1)～(2)如下：

其中，表示关系图中第j个病患节点uj表示的病患特征转化的图信息特征。

xvj表示邻居节点vj表示的药品特征。

n(ui)表示病患节点uj的所有邻居节点。

wa为随机初始化的权重矩阵。

cij是一个标准化常数，计算方式为计算公式(2)。

在上述过程中，实现了基于关系图的特征转化过程，使得依赖于图信息特征进行的推荐药品预测得以实现，从而有利于提高药品推荐的准确率。

请参阅图8，在一示例性实施例中，所述编解码网络包括多个编码网络层和多个解码网络层。

其中，编码网络层，用于计算隐藏单元向量及对应的推荐损失值。

解码网络层，用于计算还原特征及对应的还原损失值。

如图8所示，501表示编码网络层，502表示隐藏单元向量，503表示推荐损失值，504表示解码网络层，505表示还原损失值。

基于上述编解码网络的结构，下面对损失值的计算过程进行详细地说明。

具体地，在一实施例的实现中，如图9所示，步骤370可以包括以下步骤：

步骤371，将所述图信息特征输入所述编解码网络中的第一个编码网络层，进行隐藏单元向量计算，并基于计算得到的隐藏单元向量计算第一个编码网络层的推荐损失值。

步骤373，将计算得到的隐藏单元向量输入所述编解码网络中的第一个解码网络层，进行还原特征计算，并基于计算得到的还原特征计算第一个解码网络层的还原损失值。

步骤375，对所述编解码网络中的多个编码网络层和多个解码网络层进行遍历，根据各编码网络层的推荐损失值和各解码网络层的还原损失值计算所述模型的损失值。

具体而言，损失值的计算公式(3)～(5)如下：

其中，lt表示推荐损失值，即最终计算所得的推荐值与真实的推荐值之间的差距。

lr表示还原损失值，即当前一个解码网络层计算得到的还原特征与前一个编码网络层计算得到的隐藏单元向量之间的差距。

l表示模型的损失值。

进一步地，|εb|表示本次损失值计算中i,j的点对个数，rij表示是否给第i个病患推荐第j个药品。

ui为图信息特征经过最后一个解码网络层后计算得到的隐藏单元向量通过一个线性变换得到的病患特征，vj为图信息特征经过最后一个解码网络层后计算得到的隐藏单元向量通过一个线性变换得到的推荐药品特征。

um是此次模型训练中病患的个数，vm为此次模型训练中药品的个数。

如果所述模型的损失值未达到最小化，则执行步骤377。

反之，如果所述模型的损失值达到最小化，则完成模型训练，即模型收敛。

步骤377，通过该损失值的反向传播，更新所述模型的权重矩阵。

在模型的权重矩阵更新之后，便可继续进行模型训练，即获取另一个病患的病患数据和用药数据，并返回执行步骤310，直至所述模型收敛。

通过上述实施例的配合，实现了权重矩阵的更新，使得模型能够随着训练数据量的增加而逐渐收敛，进而使得收敛的模型具有推荐药品预测能力得以实现。

进一步地，如图10所示，步骤371之前，步骤370还可以包括以下步骤：

步骤372，根据设定冷启动条件，判断是否需要对所述图信息特征进行隐藏。

发明人意识到，模型训练过程中，可能存在冷启动问题，即如果未出现药品a相关的用药数据，但是预测时出现药品a，这往往导致了药品推荐的不准确。

为此，本实施例中，通过图信息特征的隐藏，解决冷启动问题。

其中，设定冷启动条件，可以根据应用场景的实际需求灵活设置。本实施例中，设定冷启动条件与病患个数、隐藏概率有关。

如果需要对所述图信息特征进行隐藏，则执行步骤374：将所述图信息特征设置为零。

反之，如果不需要对所述图信息特征进行隐藏，则执行步骤376：保持图信息特征不变。

举例来说，假设设定冷启动条件为第5～7个病患、隐藏概率为40％。

那么，在模型训练时，当第5～7个病患的病患数据和用药数据输入模型进行训练时，由其转化的图信息特征将按照40％概率进行隐藏，即设置为零，按照60％概率不隐藏，即保持不变。

在上述过程中，有效地解决了冷启动问题，在推荐药品预测过程中，即使是模型训练过程中未涉及的药品，也能够基于模型训练过程中的前期学习，进行相似推荐，从而进一步充分地保障了药品推荐的准确性。

在一示例性实施例中，步骤370之后，如上所述的方法还可以包括以下步骤：

基于收敛的模型，对待推荐病患的病患数据进行推荐药品预测。

具体而言，请参阅图11，在一实施例的实现中，推荐药品预测过程可以包括以下步骤：

步骤610，对所述待推荐病患的病患数据进行词嵌入转化处理，得到待推荐病患特征。

步骤630，基于关系图，由所述待推荐病患特征转化为待推荐图信息特征。

步骤650，将所述待推荐图信息特征输入收敛的模型中编解码网络进行隐藏单元向量计算。

步骤670，对计算得到的隐藏单元向量进行线性变换，得到推荐药品特征，根据所述推荐药品特征进行推荐药品的推荐。

如图12所示，推荐值＝图信息特征经过最后一个解码网络层后计算得到的隐藏单元向量通过一个线性变换得到的病患特征ui×图信息特征经过最后一个解码网络层后计算得到的隐藏单元向量通过一个线性变换得到的推荐药品特征vj。

由此，便可通过推荐值，获得推荐药品特征vj。

在确定推荐药品特征vj之后，便可基于关系图中各节点所存储的药品特征，搜索出匹配的药品特征，并以此确定推荐药品。

当然，在其他实施例中，还可根据应用场景的实际需求设定一阈值，只有推荐值超过该阈值，推荐值中的推荐药品特征才视为有效，本次的药品推荐才视为有效推荐，以此来进一步地保证药品推荐的准确率。

在上述实施例的作用下，实现了基于关系图的药品推荐，一方面，考虑了病患的病患特征、药品特征，随着特征的增加，更有利于提高药品推荐的准确性；另一方面，还考虑了病患之间的相似性、药品之间的差异性、以及病患与药品的使用关系，根据这些相似和差异更好地进行药品推荐，还将有利于提高药品推荐的适用性。

此外，通过关系图将多种特征以及相应的使用关系融合形成新的图信息特征，进而基于该图信息特征进行药品推荐，也进一步有效地提高了药品推荐的准确率。

下述为本发明装置实施例，可以用于执行本发明所涉及的实现药品推荐的模型训练方法。对于本发明装置实施例中未披露的细节，请参照本发明所涉及的实现药品推荐的模型训练方法的方法实施例。

请参阅图13，在一示例性实施例中，一种实现药品推荐的模型训练装置900包括但不限于：特征获取模块910、图构建模块930、图特征获取模块950和损失值计算模块970。

其中，特征获取模块910，用于获取病患的病患数据和用药数据，通过词嵌入转化处理，由所述病患数据和所述用药数据分别得到病患特征和药品特征。

图构建模块930，用于基于病患与药品的使用关系，以病患特征作为病患节点，以药品特征作为药品节点，进行病患与药品之间的关系图构建。

图特征获取模块950，用于根据所述关系图的邻接结构，将所述关系图中节点所表示的特征转化为图信息特征。

损失值计算模块970，用于将所述图信息特征输入模型的编解码网络进行损失值计算，当计算到的损失值最小化，所述模型收敛。

需要说明的是，上述实施例所提供的实现药品推荐的模型训练装置在进行实现药品推荐的模型训练时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即实现药品推荐的模型训练装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的实现药品推荐的模型训练装置与实现药品推荐的模型训练方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

请参阅图14，在一示例性实施例中，一种计算机设备1000，包括至少一处理器1001、至少一存储器1002、以及至少一通信总线1003。

其中，存储器1002上存储有计算机可读指令，处理器1001通过通信总线1003读取存储器1002中存储的计算机可读指令。

该计算机可读指令被处理器1001执行时实现上述各实施例中的实现药品推荐的模型训练方法。

在一示例性实施例中，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例中的实现药品推荐的模型训练方法。

上述内容，仅为本发明的较佳示例性实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。