Page 424 - 《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 1387

0.90 0.70
Jaccard Carmen
0.85 F1-score 0.65
PRAUC SHAPE
0.60 SSMD
0.80
0.55
0.75 0.50
指标值 0.70 Jaccard 0.45
0.65
0.40
0.60
0.35
0.55
0.30
0.50 0.25
0.45 0.20
32 64 128 256 512 1 2 3 4 5
嵌入维度 问诊次数
图 5 嵌入维数对不同评价指标的影响 图 6 问诊次数对模型性能的影响
β 这两个超参数, 通过设置不同参数组合来敏感性分析以测试模型的可靠性和稳定性. 为了检
本文存在 α 和
查这些参数的不同值对算法性能的敏感性, 我们调整了参数 α 和 β 的值, 将搜索范围设置为{1E−6, 1E−5, 1E−4,
1E−3, 1E−2, 1E−1, 1}. 在图 7 中, 我们以直方图的形式呈现了在不同 α 和 β 参数设置下 SSMD 在 MIMIC-III 数据
集上的性能指标的变化. 可以发现 SSMD 的性能受到参数扰动的影响较小.

0.8 0.6

0.6 0.4
F1-score 0.4 Jaccard

0.2 0.2
0 0
1E−6 1E−6
1E−5 1E−5
1E−4 1E−6 1E−4 1E−6
1E−3 1E−5 1E−3 1E−5
1E−2 1E−4 1E−2 1E−4
α 1E−1 1E−2 1E−3 α 1E−1 1E−2 1E−3
1 1E−1 β 1 1E−1 β
1 1
(a) F1-score性能指标的变化 (b) Jaccard性能指标的变化
图 7 MIMIC-III 数据集上的参数敏感性分析

3.4 消融实验
为了验证本文所提出的 SSMD 各模块的有效性, 我们在 MIMIC-III 和 MIMICIV 数据集上执行了全面的消融
实验. 具体来说, 我们构建了多个变体以研究不同组成部分的影响: (1) 不纳入患者的诊断信息 (称为 SSMD w/o
Dig); (2) 排除问诊时的手术信息 (称为 SSMD w/o Pro); (3) 移除压缩编码器 (称为 SSMD w/o Enc); (4) 使用循环神
经网络 GRU 替代用于捕获纵向信息的循环注意力网络 (称为 SSMD w/o RA); (5) 移除整个结构化关系表征模块,
并仅利用患者综合表征进行预测 (称为 SSMD w/o SR); (6) 丢弃图对比学习损失, 直接用 EHR 图的编码嵌入作为
知识检索模块的输入 (称为 SSMD w/o CL). 实验结果在表 3 中展示.
表 3 展示了 SSMD 及其不同变体的实验结果. 实验数据表明, 缺乏诊断或手术信息时, 模型性能出现了显著
的下降, 这强调了多源信息在医疗模型中的重要性. 与基础的 SSMD 模型相比, SSMD w/o Enc 变体在总体指标上
性能有所下降. 这表明, 对于复杂医疗代码序列, 一个更加紧凑的编码器能够提供更优的表征能力. 此外, 当移除所
提出的循环注意力网络时, 观察到模型性能明显下降了, 这进一步证实了对患者纵向信息进行有效建模的必要性.