Multi-hypergraph convolutional neural network for herb recommendation

doi:10.1016/j.bspc.2026.111386

Multi-hypergraph convolutional neural network for herb recommendation

2026-09-11

0

PRE

AI

DOI：10.1016/j.bspc.2026.111386

原文链接

原文求助

摘要

En 中文

作为中医（TCM）诊断和治疗的核心，中药推荐旨在根据患者的症状推荐一组草药。现有的基于图的方法主要建模成对关系，要么忽略显式的证候和状态-元素知识，要么通过独立的成对边表示多个患者的共同诱导，从而未能将其建模为单一高阶关系。为解决此局限性，我们旨在通过显式建模由共享证候和状态-元素配置所诱导的高阶患者关系来改进中药推荐。我们提出了一种多超图卷积神经网络（MHGCN），将每个患者表示为节点，并构建证候诱导的患者超图和状态-元素诱导的患者超图。在每个超图中，一条超边连接所有共享相同证候或确切状态-元素配置的患者。并行编码器从两个超图中学习，其表示通过频率加权的二元交叉熵损失融合，用于多标签草药预测。在十次运行中，MHGCN在《伤寒论》数据集上取得了70.532%的平均F1-score@5值，在《中医处方词典》数据集上取得了29.737%的平均F1-score@5值。它优于所有评估的主题模型、基于图和大型语言模型的基础模型。在配对分析中使用匹配的随机种子，其在Precision@5和F1-score@10上的改进在Holm校正后的配对t检验和Wilcoxon符号秩检验中均保持显著（p adj < 0.05）。这些发现表明，将每个共同诱导事件表示为患者超边使MHGCN能够直接建模证候和状态-元素诱导的高阶关系，并支持其在中药推荐中的有效性。

Multi-hypergraph convolutional neural network for herb recommendation

摘要

期刊

机构