Page 411 - 《软件学报》2026年第3期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(3):1374−1392 [doi: 10.13328/j.cnki.jos.007500] [CSTR: 32375.14.jos.007500] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于多源信息结构化序列建模的药物推荐方法

邹 鑫 1 , 唐 厂 1 , 刘新旺 2 , 郑 晓 2 , 刘袁缘 1 , 安 山 3

1
(中国地质大学 (武汉) 计算机学院, 湖北 武汉 430078)
2
(国防科技大学 计算机学院, 湖南 长沙 410073)
3
(天津大学 电气自动化与工程学院, 天津 300072)
通信作者: 唐厂, E-mail: tangchang@cug.edu.cn

摘 要: 药物推荐旨在依据患者的临床问诊信息, 制定出最适宜的药物治疗方案. 然而, 现有的药物推荐方法往往
缺少对患者问诊序列中纵向和结构化特征的有效挖掘. 针对这一问题, 提出了一种端到端的基于多源信息结构化
序列建模的药物推荐方法. 具体地, 该方法首先构建了高效的压缩编码器来刻画细粒度的 EHR 编码信息; 然后, 设
计了一个循环注意力网络, 在时间维度上通过掩码注意力机制来捕捉问诊序列中的全局依赖关系, 允许网络在学
习时动态地调整历史问诊的权重, 从而更准确地捕获问诊序列的纵向依赖关系; 此外, 引入图对比学习策略和知识
增强检索模块以提高模型的结构化表征能力, 帮助理解药物之间的结构关系并降低 DDI 风险. 在 MIMIC-III 和

MIMIC-IV 等真实世界数据集上的实验结果表明, 所提方法在多个性能指标上都优于对比方法.
关键词: 药物推荐; 电子健康记录; 图对比学习; 多源信息; 注意力机制
中图法分类号: TP18

中文引用格式: 邹鑫, 唐厂, 刘新旺, 郑晓, 刘袁缘, 安山. 基于多源信息结构化序列建模的药物推荐方法. 软件学报, 2026, 37(3):
1374–1392. http://www.jos.org.cn/1000-9825/7500.htm
英文引用格式: Zou X, Tang C, Liu XW, Zheng X, Liu YY, An S. Drug Recommendation Method Based on Structured Sequence
Modeling with Multi-source Information. Ruan Jian Xue Bao/Journal of Software, 2026, 37(3): 1374–1392 (in Chinese). http://www.jos.
org.cn/1000-9825/7500.htm

Drug Recommendation Method Based on Structured Sequence Modeling with Multi-source
Information
1
1
1
2
2
ZOU Xin , TANG Chang , LIU Xin-Wang , ZHENG Xiao , LIU Yuan-Yuan , AN Shan 3
1
(School of Computer Science, China University of Geosciences, Wuhan 430078, China)
2
(College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China)
3
(School of Electrical and Information Engineering, Tianjin University, Tianjing 300072, China)
Abstract: Drug recommendation aims to formulate the most suitable medication treatment plan based on patients’ clinical consultation
information. However, existing drug recommendation methods usually lack effective exploration of longitudinal and structured features in
patient consultation sequences. To address this issue, this study proposes an end-to-end drug recommendation method based on structured
sequence modelling with multi-source information. Specifically, this method first constructs an efficient compression encoder to depict fine-
grained EHR-encoded information. Then, a recurrent attention network is designed, which captures the global dependencies in the
consultation sequence through a masked attention mechanism on the temporal dimension, allowing the network to dynamically adjust the
weight of historical visits during learning. This enhances the accuracy of capturing longitudinal dependencies in consultation sequences.
Moreover, by introducing a graph contrastive learning strategy and a knowledge-enhanced retrieval module, the model’s capability for

* 基金项目: 国家自然科学基金 (62076228); 中国地质大学 (武汉) 教学实验室开放基金 (SKJ2023234)
收稿时间: 2024-06-15; 修改时间: 2025-02-20; 采用时间: 2025-06-27; jos 在线出版时间: 2025-11-20
CNKI 网络首发时间: 2025-11-21