-
公开(公告)号：CN114049930A
公开(公告)日：2022-02-15
申请号：CN202111342174.2
申请日：2021-11-12
Applicant: 东南大学
Abstract: 本发明公开一种基于异质网络表示学习的中药药方重定位方法，依次包括以下步骤：步骤1.根据输入的数据对其进行预处理，并构造中药药方异质网络；步骤2.根据异质图嵌入方法，通过执行网络药理学学习模块学习中药药方异质网络中的语义关联信息并得到中药药方和疾病的嵌入表示；步骤3.根据步骤2中得到的中药药方和疾病的嵌入表示，使用深度学习推荐算法得到二者的交互影响评分矩阵。最后对评分矩阵结果进行排序，得到对中药药方的Top@K的疾病推荐结果。本发明可以通过智能计算得到对中药药方的疾病推荐，免去了人工操作，有效地提升了中药药方重定位的效率。
-
公开(公告)号：CN113807502A
公开(公告)日：2021-12-17
申请号：CN202111123984.9
申请日：2021-09-24
Applicant: 东南大学
Abstract: 本发明公开一种基于可微分架构搜索的自动特征构建方法，依次包括以下步骤：步骤1.根据输入的数据对其进行预处理，包括对缺失值处理以及独热编码，得到高维稀疏的样本x；步骤2.通过嵌入矩阵将高维稀疏的样本x映射为特征嵌入表示E；步骤3.根据步骤2得到的特征嵌入表示，使用可微分架构搜索方法为每个特征搜索合适的交互对象以及交互方式，加入基于合作模式的交互算子，引入跳跃连接、低阶特征交互、高阶特征交互这三个算子以解决搜索网络迁移至目标网络时的性能崩溃问题；步骤4.输出层：搜索网络与目标网络最终均输出一组特征向量。本发明可以避免无效特征的生成并提高生成特征的质量，有效地提升下游任务模型的性能，例如分类任务等。
-
公开(公告)号：CN113764035A
公开(公告)日：2021-12-07
申请号：CN202111123982.X
申请日：2021-09-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于知识图谱的中药复方靶标预测方法。依次包括以下步骤：步骤1：根据输入的复方靶标关系作用图和中药复方知识图谱，使用知识图谱嵌入技术得到实体和关系的嵌入表示；步骤2：根据步骤1得到的嵌入表示，使用基于图神经网络体系结构的关系路径感知聚合层对嵌入表示进行基于知识图谱关系的邻域聚合；步骤3：根据步骤2得到的复方和靶标的嵌入表示，使用协同过滤算法输出复方靶标预测的匹配分数。通过联合优化知识图谱嵌入和协同过滤模块，模型可以得到一个有效预测复方靶标关联的预测函数，该函数能够表示指定复方与靶标间产生关联的概率。
-
公开(公告)号：CN114049930B
公开(公告)日：2024-07-16
申请号：CN202111342174.2
申请日：2021-11-12
Applicant: 东南大学
IPC: G16H20/10 , G16H50/70 , G06N3/042 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于异质网络表示学习的中药药方重定位方法，依次包括以下步骤：步骤1.根据输入的数据对其进行预处理，并构造中药药方异质网络；步骤2.根据异质图嵌入方法，通过执行网络药理学学习模块学习中药药方异质网络中的语义关联信息并得到中药药方和疾病的嵌入表示；步骤3.根据步骤2中得到的中药药方和疾病的嵌入表示，使用深度学习推荐算法得到二者的交互影响评分矩阵。最后对评分矩阵结果进行排序，得到对中药药方的Top@K的疾病推荐结果。本发明可以通过智能计算得到对中药药方的疾病推荐，免去了人工操作，有效地提升了中药药方重定位的效率。
-
公开(公告)号：CN112348068B
公开(公告)日：2024-07-02
申请号：CN202011172267.0
申请日：2020-10-28
Applicant: 东南大学
IPC: G06F18/23213 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于降噪编码器和注意力机制的时序数据聚类方法，以无监督的方式实现对无标签数据的聚类，依次包括以下步骤：步骤1：在原始的时间序列中加入噪声数据；步骤2：将注意力机制加入到LSTM中；步骤3：采用K‑means方法初始化模型；步骤4：采用Adam优化方法联合优化降噪自编码器的重构损失与KL散度损失；迭代优化编码器重构损失和聚类损失以得到训练的最佳模型。通过基于深度降噪自编码器，解决了时序数据聚类对噪声敏感的问题，通过引入注意力机制提高了聚类效果。
-
Patent Agency Ranking
公开(公告)号：CN114121212A
公开(公告)日：2022-03-01
申请号：CN202111402132.3
申请日：2021-11-19
Applicant: 东南大学
Abstract: 本发明公开一种基于知识图谱和群表示学习的中药处方生成方法，依次包括以下步骤：步骤1.构建中药知识图谱，以草药为核心，将草药的性味归经功效等属性封装为三元组，并将处方数据集中症状与草药的治疗关系也加入知识图谱，最终形成中药知识图谱步骤2.通过知识图谱中邻域信息的传播和聚合来更新每个实体的嵌入表示，步骤3.根据步骤2得到的实体嵌入表示，将每个处方样本对应的症状组合视为一个群，并将群表示信息与中药知识图谱中的草药实体进行交互学习，最终输出最适用于症状组合的若干个草药，形成中药处方。本发明主要利用数据挖掘方法来模拟中医诊疗中“辨证论治”的过程，实现了根据症状开具辅助临床治疗的中药处方。
-
公开(公告)号：CN112329918A
公开(公告)日：2021-02-05
申请号：CN202011169354.0
申请日：2020-10-28
Applicant: 东南大学
Abstract: 本发明公开一种基于注意力机制的对抗正则化网络嵌入方法，依次包括以下步骤：步骤1：基于注意力机制根据输入的网络邻接矩阵和内容矩阵得到网络嵌入表示；步骤2：根据步骤1得到的嵌入表示，使用嵌入生成对抗网络进行对抗训练对嵌入表示进行正则化。通过联合优化嵌入表示学习和对抗训练，模型可以得到一个更加鲁棒的嵌入表示，可以有效地提升下游任务的性能，例如节点分类、社区发现和用户推荐等。
-
公开(公告)号：CN114121212B
公开(公告)日：2024-04-02
申请号：CN202111402132.3
申请日：2021-11-19
Applicant: 东南大学
Abstract: 本发明公开一种基于知识图谱和群表示学习的中药处方生成方法，依次包括以下步骤：步骤1.构建中药知识图谱，以草药为核心，将草药的性味归经功效等属性封装为三元组，并将处方数据集中症状与草药的治疗关系也加入知识图谱，最终形成中药知识图谱#imgabs0#步骤2.通过知识图谱中邻域信息的传播和聚合来更新每个实体的嵌入表示，步骤3.根据步骤2得到的实体嵌入表示，将每个处方样本对应的症状组合视为一个群，并将群表示信息与中药知识图谱#imgabs1#中的草药实体进行交互学习，最终输出最适用于症状组合的若干个草药，形成中药处方。本发明主要利用数据挖掘方法来模拟中医诊疗中“辨证论治”的过程，实现了根据症状开具辅助临床治疗的中药处方。
-
公开(公告)号：CN114121181B
公开(公告)日：2024-03-29
申请号：CN202111337127.9
申请日：2021-11-12
Applicant: 东南大学
Abstract: 本发明公开一种基于注意力机制的异构图神经网络中药靶标预测方法，依次包括以下步骤：步骤1.根据输入的中药靶标相关数据构建中药靶标异构图，并初始化各节点的特征向量；步骤2.对草药靶标异构图中的所有节点对进行提取，同时通过消息传递机制获得每个节点对的消息向量，将注意力向量和消息向量利用聚合机制聚合到相应的各个节点，再将节点的向量映射回其类型的特定分布，生成目标节点的特征表示；步骤3使用双线性层和两层全连接层对中药靶标对之间的相互作用关系进行预测。本发明通过提取中药靶标异构网络的拓扑结构和语义信息，生成能够充分表达中药和靶标丰富特征的向量表示，可以更有效地解决中药靶标预测问题。
-
公开(公告)号：CN112348068A
公开(公告)日：2021-02-09
申请号：CN202011172267.0
申请日：2020-10-28
Applicant: 东南大学
Abstract: 本发明提供一种基于降噪编码器和注意力机制的时序数据聚类方法，以无监督的方式实现对无标签数据的聚类，依次包括以下步骤：步骤1：在原始的时间序列中加入噪声数据；步骤2：将注意力机制加入到LSTM中；步骤3：采用K‑means方法初始化模型；步骤4：采用Adam优化方法联合优化降噪自编码器的重构损失与KL散度损失；迭代优化编码器重构损失和聚类损失以得到训练的最佳模型。通过基于深度降噪自编码器，解决了时序数据聚类对噪声敏感的问题，通过引入注意力机制提高了聚类效果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.024 seconds)
