Page 418 - 《软件学报》2026年第3期

邹鑫 等: 基于多源信息结构化序列建模的药物推荐方法 1381

t
t
S t+1 = g 1 (h ,h ) (8)
∆ ∆
t
(
)
)
t
t
t
t
t
(
t
h = g 2 (A S ,P ,P , A S ,S ,S ) (9)
∆
其中, g ∗ 表示门控机制, 用于控制信息在网络中的流动. 在本研究中采用的是 LSTM (长短期记忆) 门控机制, 以处
理传统 RNN 中存在的梯度消失和梯度爆炸问题, 具体实现细节如下:

( )
t
t
t
t
t
g u , s = u ⊙i +z ⊙k t (10)

t ( t )
z = tanh W z s +b z (11)

(
t
t
i = σ W i s +b i +1 ) (12)

t
t
k = σ(W k s +b k −1) (13)
其中, ⊙ 表示哈达玛积, W z ∈ R n z ×d z 、 W i ∈ R n i ×d i 、 W k ∈ R n k ×d k 分别表示不同的可学习权重矩阵, b ∗ ∈ R d ∗ 是可学习的偏
置向量.
2.4 结构化关系表征
GCN 可以视为拉普拉斯平滑的一种特殊实现. 具体而言, 图卷积操作将图中顶点的特征与其邻域节点的特征
融合. 这种平滑操作通过对同一聚类区域内的顶点特征执行平均化处理, 降低了进行节点分类时卷积图结构复杂
性的障碍, 这也是 GCN 在图数据处理中有效的主要原因之一. 然而, GCN 的应用同时引入了过度平滑的风险, 这
可能导致节点特征变得过分同质化, 进而使得属于不同聚类区域的节点之间的区分度下降. 例如, 在对医学病例数
据进行图卷积处理之后, 可能会在已知的药物组合使用和潜在的 DDI 之间生成边. 为了平衡药物组合推荐任务中
对 EHR 信息的编码与 DDI 知识的约束, 本文开发了一种基于图对比学习的结构化关系表征框架, 进一步优化图
卷积学习过程. 具体来说, 首先采用朴素的图卷积网络作为图编码器来捕获局部结构信息, 公式如下:

˜ A ∗ = D −1/2 (A ∗ + I)D −1/2 (14)
∑
其中, D 是一个对角矩阵, D ii = A ij I , 为单位矩阵, ˜ A ∗ 表示图卷积算子. 接着, 通过两层 GCN 来编码 EHR 药物
j
组合信息和 DDI 嵌入.

( )
(15)
G e = ˜ A e ReLU ˜ A e E e W e

( )
(16)
G d = ˜ A d ReLU ˜ A d E d W d
其中, W e 和 W d ∈ R dim×dim 为隐藏权重参数矩阵, E e 和 E d ∈ R |M|×dim 为来自 EHR 图和 DDI 图的药物嵌入表征, 所有
W ∗ 在训练阶段进行更新.
为了进一步挖掘节点之间的拓扑信息与图结构属性的关系, 本文设计了一种图对比学习算法. 首先, 关于正负
样本对的选取, 本研究将具有 DDI 的药物治疗组合视为负样本对, 而不存在 DDI 的药物视为正样本对. 通过计算
EHR 图和 DDI 图之间的差异, 将具有 DDI 的药物组合 (负样本对) 推远, 降低推荐组合的 DDI, 即通过最大化输入
与正样本之间的互信息, 以提高推荐的准确性和可靠性. 本文采用随机混合具有 DDI 的药物治疗组合来创建负例,
因为图对比编码器需要以形式为 (推荐药物, DDI 图) 的正负例进行训练. 对于负样本对的约束, 旨在它们的嵌入
之间设置一个间距 ϕ. 图对比损失的具体定义为:

1
2
2
L C = [I p ||G e −G d || +(1−I p )Ω ] (17)
2
,
其中, Ω = max(0,ϕ−||G e −G d ||) I p 表示如果 DDI 出现在药物推荐方案中则匹配为 1, 如果没有出现在药物组合中
则等于 0. 通过图对比学习可以捕获结构化信息, 并约束药物组合中的 DDI 率.
为了进一步提高模型的结构化表征质量, 本文设计了知识增强检索模块, 以在时间上定位最相似患者表征, 并
t
检索最相关的药物组合. 具体来说, 通过计算不同药物注意力来检索与患者健康向量 u 最相关的信息作为输出表
征, 如公式 (18) 所示:

)
(
t
t
T
t
t
ˆ H = G [σ D u ·D ] (18)
e k v