基于重要性采样多图卷积的中药处方推荐模型OA

针对现有中药处方推荐方法语义建模薄弱、图稀疏性处理不足及特征融合粗糙等问题,研究提出了一种优化的中药处方推荐模型。模型采用在中医语料上预训练并微调的MedBERT模型对症状、中药及属性文本进行语义编码,获得适配中医领域语境特征的统一语义表示。构建症状-症状图、症状-中药图、中药-中药图以及中药属性知识图谱,并在知识图卷积网络(KGCN)中引入PinSAGE重要性采样来增强邻域筛选的有效性,使模型能够更充分地利用多类型图结构中蕴含的关联关系。最后利用多头注意力机制融合多图特征,提升不同关系信息的协同表达能力。实验在PTM公开数据集上进行,F1-Score@5、F1-Score@10和F1-Score@20指标相较于LAMGCN模型分别提高了9.25%、8.58%和9.07%,并通过消融实验证实了MedBERT、中药属性图谱、PinSAGE等核心组件在性能提升中的重要作用。研究表明,该模型在多源语义表征与特征融合方面具有显著优势,为中药处方智能推荐提供了有效的技术路径与方法参考。