【学术聚焦】2024年第25期：计算机学院自然语言处理课题组在知识图谱和推荐系统方面取得了系列研究进展

通讯员：朱强来源：计算机与人工智能学院阅读：发布时间：2024-06-21审稿：彭涛

近期，计算机学院胡新荣教授领导的自然语言处理课题组在知识图谱和推荐系统方面取得了系列研究进展，相关工作分别发表在计算机科学领域中科院一区Top期刊《Expert Systems with Applications》《Applied Soft Computing》和《Knowledge-Based Systems》,系列论文第一单位均为武汉纺织大学。

工作一：Joint extraction of biomedical overlapping triples through feature partition encoding发表在期刊《Expert Systems with Applications》。从非结构化文本中自动抽取实体及其关系是构建医学知识图谱的关键任务，其在信息检索、问答和对话系统中发挥着重要作用。由于医学文本数据较复杂，大量句子中存在实体重叠问题，一般流水线方法存在实体冗余和错误累积问题导致抽取效果不佳，本研究提出了一种基于特征分区编码的实体关系联合抽取模型，不同于此前研究中的顺序编码方法和并行编码方法，该方法在编码阶段采用特征分区编码方式，通过进一步细化特征向量，将特征信息分为实体分区、关系分区和共享分区。特征分区编码器将神经元划分为实体分区、关系分区和共享分区。实体分区中的特征仅用于实体识别任务；关系分区中的特征仅用于关系抽取任务；共享分区中的特征与两个子任务都相关。这种设计可以对实体和关系同时进行编码，从而避免了由于顺序编码中的编码顺序问题而产生的交互不平衡。同时，由于共享分区的存在，实体特征和关系特征可以有效地双向交互，从而避免了并行编码中交互缺失的问题，有效解决实体重叠问题以获得高质量实体-关系三元组。本研究为医学文本自动化信息抽取，构建高质量医疗知识图谱提供了一种可靠的解决方案。

工作二：Safe drug recommendation through forward data imputation and recurrent residual neural network发表在期刊《Applied Soft Computing》。药物推荐是基于患者的过往病历提供安全、有效的药物组合，其在辅助临床决策和促进科学、合理用药方面起着重要作用。药物推荐依赖电子病历（EHR），而EHR中的数据往往不完整甚至异常，导致患者画像刻画不准确；其次，当前的研究主要集中在历史诊断记录与当前就诊的相似性上，忽视了多次入院诊断间的病情发展和用药变化。本研究采用前向数据插补方法处理患者单次和多次入院中的缺失或异常数据，提出利用残差循环神经网络捕捉患者历史信息的变化模式，并通过引入药物-药物相互作用领域知识图谱以确保药物组合的安全性。该模型由四个模块组成：数据插补、患者表征、药物匹配和药物预测。数据插补模块主要采用前向填充策略来处理缺失值和异常值，患者表征模块使用残差网络来捕捉患者特征，药物匹配模块通过图编码计算药物信息与患者向量之间的匹配，药物预测模块通过患者特征输出预测结果。本研究为辅助临床医护人员进行科学、合理用药提供了一种可靠的分析方法，并通过实验验证了该方法的有效性。

工作三：RASNet: Recurrent aggregation neural network for safe and efficient drug Recommendation发表在期刊《Knowledge-Based Systems》。长期慢性病患者的病情会出现反复，基于电子病历对此类患者建模以精准推荐用药是一个难题；其次，慢性病患者长期服用多种药物，不同药物之间会出现药物-药物相互作用导致用药安全问题（如拮抗，协同和毒性等），因此，药物推荐不仅要考虑药物组合的有效性而且必须确保其安全性。该研究提出了一种新颖且高效的循环聚合神经网络RASNet，可以有效解决因病情反复引入的数据噪声问题，并采用了一种指数控制器以平衡药物推荐的精度和安全性。RASNet包括三个模块：患者表示模块、药物表示模块和药物推荐模块。患者表示模块采用循环聚合神经网络以高效地获取和编码类似的就诊信息。药物表示模块利用图卷积网络对电子病历和药物-药物相互作用进行编码，从而实现安全的药物表示。药物推荐模块利用注意力机制来捕获药物之间的相似性信息，并整合患者表示来提供药物推荐。该研究为基于电子病历的安全合理与个性化精准用药提供了解决思路，并通过大量实验证明了此方法的可靠性和计算高效性。