Page 413 - 《软件学报》2026年第3期

1376 软件学报 2026 年第 37 卷第 3 期

用户, 具体来说通常是计算单个物品表征与用户表征的匹配分数来向用户推荐单个物品 [26] . 然而, 在药物推荐中,
不同患者之间的疾病表现和治疗反应可能存在很大的差异, 因此需要根据不同患者的历史健康信息个性化地推荐
一组治疗药物. 相对于传统的商品推荐, 药物推荐是一项更为复杂的任务; 其次, 不同的药物之间可能产生相互
作用, 不当的药物组合会增加患者发生副作用的风险, 因而建模这些药物之间复杂的相互作用, 同时兼顾有效性和
安全性是不可或缺的. 模型需要确保推荐的药物组合中不存在引起毒性或副作用的药物, 且 DDI (drug-drug
interaction) [27] 等指标需要在安全阈值之内, 这对确保患者安全至关重要. 药物推荐模型往往需要根据患者历史问诊
信息给出针对患者当前健康状况所适合的药物组合, 如图 2 所示, 这个过程包括如何有效挖掘历史问诊序列的纵
向依赖信息这一挑战, 以及如何建模药物间 DDI 知识, 以优化患者治疗效果并最大程度降低与药物使用相关的风
险. 据我们所知, 现有的药物推荐方法尚未充分挖掘和整合这些关键信息, 削弱了其在制定个性化治疗策略时的有
效性.

问诊1 问诊2 问诊3

药物DDI

...

图 2 药物推荐过程的纵向依赖和 DDI 感知

针对上述两个挑战, 本文融合患者多源问诊信息, 设计了一种基于多源信息结构化序列建模的药物推荐方法
(drug recommendation method based on structured sequence modeling with multi-source information, SSMD), 其具备
自适应地捕获 EHR 数据中存在的纵向依赖信息和结构化关系的能力．具体而言, 为了有效模拟患者在多次问诊
过程中的纵向信息依赖, 构建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内的全
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, 从而更精准地建模问诊序列的纵向依赖; 此外, 为了
增强模型对结构化信息的表征能力, 引入了图对比学习策略, 设计了一个知识增强检索模块以深化模型对药物之
间的结构关系的理解, 并致力于降低 DDI 风险. 通过这种结构化序列建模方法, 模型可以生成具有全局结构信息
的拓扑表征. 在此基础上, 采用了一个朴素的全连接神经网络作为解码器, 用以生成符合当前患者特定需求的个性
化药物治疗方案. 在 MIMIC-III 和 MIMIC-IV 两个真实数据集上的实验结果表明, 本文提出的药物推荐方法可以
有效建模历史问诊序列的纵向依赖信息和结构化特征, 且相比于其他基线模型有明显的性能提升.
本文的主要贡献包括以下 3 个方面.
1) 提出了一种基于多源信息结构化序列建模的药物推荐方法 SSMD, 以挖掘患者在多次问诊中的纵向依赖关
系和历史用药信息, 并利用药物 DDI 知识实现安全且有效的药物组合推荐.
2) 设计了一种循环注意力网络, 旨在学习问诊序列之间的依赖关系和历史用药信息, 利用掩码注意力机制增
强原数据的语义关系, 提高模型可解释性.
3) 提出了一种基于图对比学习的药物检索框架来捕获药物之间的结构化关系嵌入, 通过构建的患者-药物字
典查询并生成包含全局信息的拓扑表征.
本文第 1 节介绍药物推荐的相关方法和研究现状. 第 2 节介绍本文构建的基于多源信息结构化序列建模的药
物推荐模型. 第 3 节通过对比实验和消融实验验证所提模型的有效性. 最后总结全文.