(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210574304.3 (22)申请日 2022.05.25 (71)申请人 湖南中医药大学 地址 410208 湖南省长 沙市岳麓区含浦科 教园象嘴路1号湖南中 医药大学 (72)发明人 丁长松　高婉卿　李力松　黄辛迪　 梁杨　 (74)专利代理 机构 长沙瀚顿知识产权代理事务 所(普通合伙) 43223 专利代理师 吴亮　朱敏 (51)Int.Cl. G16H 70/40(2018.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于特征偏差对齐的方剂功效分类方 法 (57)摘要 本发明公开了一种基于特征偏差对齐的方 剂功效分类方法， 包括以下步骤： S1， 数据预处理 模块： 将方剂以最小语义单元进行划分， 对同物 异名中药进行替换， 利用语言模 型对最小语义单 元进行预训练； S2， 数据增广模块： 基于方剂语义 单元顺序性弱的特点， 对原始样 本进行随机乱序 处理， 生成副样本， 所述原始样本与所述副样本 共同构成训练样本； S3， 深度学习特征提取网络 模块： 采用深度学习模型对所述训练样本进行特 征提取， 得到训练样本 特征图； S4， 特征偏差对齐 无参网络模块： 基于度量学习， 对所述训练样本 特征图进行偏差计算； S5， 融合特征偏差对齐的 优化函数： 将所述训练样本特征图偏差计算作为 交叉熵损失函数的正则项， 共同参与网络参数的 更新计算， 提升网络样本特 征的学习能力。 权利要求书2页 说明书7页 附图1页 CN 114822874 A 2022.07.29 CN 114822874 A 1.一种基于特 征偏差对齐的方剂功效分类方法， 其特 征在于， 所述方法包括以下步骤： S1， 数据预处理模块： 将方剂以最小语义单元进行划分， 对同物异名中药进行替换， 利 用语言模型对最小语义单 元进行预训练； S2， 数据增广模块： 基于方剂语义单元顺序性弱的特点， 对原始样本进行随机乱序处 理， 生成副样本， 所述原 始样本与所述副样本共同构成训练样本； S3， 深度学习特征提取网络模块： 采用深度学习模型对所述训练样本进行特征提取， 得 到训练样本特 征图； S4， 特征偏差对齐无参网络模块： 基于度量学习， 对所述训练样本特征图进行偏差计 算； S5， 融合特征偏差对齐的优化函数： 将所述训练样本特征图偏差计算作为交叉熵损失 函数的正则项， 共同参与网络参数的更新计算， 提升网络样本特 征的学习能力。 2.根据权利要求1所述的方剂功效分类方法， 其特征在于， 在步骤S1的所述数据 预处理 模块中， 利用方剂组成弱语序特点， 采用人工智能技术提升深度学习模型在方剂功效分类 上的性能。 3.根据权利要求1所述的方剂功效分类方法， 其特征在于， 步骤S1的所述数据预处理模 块还包括： S11， 中药单元抽取， 针对方剂数据， 以每味中药名为最小语义单元， 进行原始方剂组成 划分与清洗； S12， 最小语义单元替换， 构建中药别名库， 针对方剂中存在的同物异名、 同名异物中药 进行替换； S13， 中药向量化表示， 采用自然语言处理领域词向量技术， 对方剂样本进行预训练， 获 得中药的初始化向量表示。 4.根据权利要求3所述的方剂功效分类方法， 其特征在于， 步骤S11的所述中药单元抽 取中， 以有功效的方剂数据为有标签方剂数据， 无功效的方剂数据为无标签方剂数据； 以所 述无标签方剂数据进 行无监督的语言模型训练， 所述有标签方剂数据中的中药进 行检索获 得对应的词向量表示。 5.根据权利要求1所述的方剂功效分类方法， 其特征在于， 步骤S2所述数据增广模块 中， 对每一个方剂样本中的中药组成进行随机排序， 改变原有的顺序， 形成一个副样本， 其 他特征均不改变， 所述原 始样本与所述副样本共同构成训练样本 。 6.根据权利要求5所述的方剂功效分类方法， 其特征在于， 步骤S3中所述深度学习特征 提取网络模块中， 采用深度学习模型进行特征提取， 所述原始样本与所述副样本同时进行 训练， 得到所述训练样本的特征图， 将训练样本特征图进行归一化得到模型预测的所述原 始样本与所述副样本标签分布结果。 7.根据权利要求1所述的方剂功效分类方法， 其特征在于， 步骤S4的所述特征偏差对齐 无参网络模块中， 采用度量学习方法， 对比所述原始样本与所述副样本的预测输出是否相 等； 若相等， 则表明网络对所述原 始样本与所述副样本学习到 了相近的特 征； 若不相等， 则表明网络对所述原 始样本与所述副样本学习到的特 征存在差异。 8.根据权利要求7所述的方剂功效分类方法， 其特征在于， 所述原始样本与 所述副样本权　利　要　求　书 1/2 页 2 CN 114822874 A 2预测输出不相等时， 利用距离公式计算所述原始样本的特征图和所述副 样本的特征图 以及 预测输出之间的距离； 相等， 赋予0值。 9.根据权利要求1所述的方剂功效分类方法， 其特征在于， 步骤S5的所述融合特征偏差 对齐的优化函数， 对所述原始样本、 所述副样本和所述原始样本的真实标签进行交叉熵损 失计算； 将所述原始样本、 所述副 样本的特征图距离、 所述原始样本与所述副 样本标签分布 距离作为交叉熵计算的正则项参与网络的可训练参数的梯度计算， 进行参数 更新。 10.根据权利要求9所述的方剂功效分类方法， 其特征在于， 训练完成后的深度学习模 型， 用以方剂功效分类。权　利　要　求　书 2/2 页 3 CN 114822874 A 3