基于知识图谱扩散引导的层次结构增强中药方剂个性化推荐模型
人工智能
2025-09-30 v1
摘要
人工智能技术在推荐中药方剂方面发挥着关键作用。先前研究通过关注处方中的症状-草药关系取得了显著进展。然而，若干限制阻碍了模型性能：（i）对患者个性化信息（如年龄、BMI和病史）关注不足，阻碍了准确的辨证识别并降低了疗效。（ii）草药数据的典型长尾分布引入了训练偏差并影响了泛化能力。（iii）对草药之间君臣佐使配伍关系的忽视增加了毒性或副作用的风险，违背了中医临床辨证论治原则。因此，我们提出了一种基于知识图谱扩散引导的层次结构增强中药方剂个性化推荐模型，即TCM-HEDPR。具体而言，我们使用患者个性化提示序列预训练症状表示，并应用面向提示的对比学习进行数据增强。此外，我们采用知识图谱引导的齐次图扩散方法结合自注意力机制来全局捕捉非线性的症状-草药关系。最后，我们设计了一个异构图层次网络来整合草药调配关系与隐式辨证，在细粒度层面指导处方生成过程并缓解草药数据的长尾分布问题。在两个公共数据集和一个临床数据集上的广泛实验证明了TCM-HEDPR的有效性。此外，我们结合现代医学和网络药理学的见解来全面评估推荐的处方。它可以为现代中药的推荐提供新的范式。
引用
@article{arxiv.2509.23560,
title = {A Hierarchical Structure-Enhanced Personalized Recommendation Model for Traditional Chinese Medicine Formulas Based on KG Diffusion Guidance},
author = {ChaoBo Zhang and Long Tan},
journal= {arXiv preprint arXiv:2509.23560},
year = {2025}
}
备注
10 pages, 10 figures, Proceedings of the 34th ACM International Conference on Information and Knowledge Management (CIKM)