药品数据处理、药品推荐模型训练方法、装置和存储介质与流程

本技术涉及计算机，特别是涉及一种药品数据处理、药品推荐模型训练方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着人工智能技术的发展，出现了医疗信息化技术，医疗信息化技术通过使用机器学习算法来辅助医生进行决策，从而能够解决医生水平参差不齐，出现用药错误的情况。为了避免出现用药错误的情况，通常会通过医疗系统向医生推荐参考用药。目前医疗系统通常是使用历史医疗记录来向医生推荐参考用药。然而，通过历史医疗记录向医生推荐参考用药的方式存在药品推荐准确性低的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高药品推荐准确性的药品数据处理、药品推荐模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种药品数据处理方法。所述方法包括：

3、获取目标用户标识对应的病历信息，基于病历信息进行向量表示提取，得到目标用户标识对应的病历表示向量；

4、获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

5、基于病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量；

6、基于药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，并基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识。

7、第二方面，本技术还提供了一种药品数据处理装置。所述装置包括：

8、病历向量提取模块，用于获取目标用户标识对应的病历信息，基于病历信息进行向量表示提取，得到目标用户标识对应的病历表示向量；

9、药品向量获取模块，用于获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

10、匹配模块，用于基于病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量；

11、分类模块，用于基于药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，并基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识。

12、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

13、获取目标用户标识对应的病历信息，基于病历信息进行向量表示提取，得到目标用户标识对应的病历表示向量；

14、获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

15、基于病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量；

16、基于药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，并基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识。

17、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

18、获取目标用户标识对应的病历信息，基于病历信息进行向量表示提取，得到目标用户标识对应的病历表示向量；

19、获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

20、基于病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量；

21、基于药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，并基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识。

22、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

23、获取目标用户标识对应的病历信息，基于病历信息进行向量表示提取，得到目标用户标识对应的病历表示向量；

24、获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

25、基于病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量；

26、基于药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，并基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识。

27、上述药品数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标用户标识对应的病历表示向量，并获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的，从而使得到的药品表示向量更加的准确，然后使用病历表示向量和各个药品表示向量计算目标用户标识与各个药品标识的匹配程度，得到药品匹配表示向量，从而使得到的药品匹配表示向量更加准确，然后使用药品匹配表示向量进行分类识别，得到各个药品标识对应的分类识别结果，使得到的分类识别结果更加准确。最后再基于分类识别结果中的推荐类别从各个药品标识中确定目标用户标识对应的各个目标药品标识，提高了得到的各个目标药品标识的准确性。

28、第一方面，本技术提供了一种药品推荐模型训练方法。所述方法包括：

29、获取训练数据，训练数据包括训练用户标识对应的训练病历信息和训练用户标识对应的各个训练药品类别标签；

30、将训练病历信息输入到初始药品推荐模型中，初始药品推荐模型基于训练病历信息进行向量表示提取，得到训练用户标识对应的训练病历表示向量；

31、初始药品推荐模型获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

32、初始药品推荐模型基于训练病历表示向量和各个药品表示向量计算训练用户标识与各个药品标识的匹配程度，得到训练药品匹配表示向量，并基于训练药品匹配表示向量进行分类识别，得到各个药品标识对应的初始分类识别结果；

33、基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息；

34、基于模型损失信息反向更新初始药品推荐模型，得到更新药品推荐模型，将更新药品推荐模型作为初始药品推荐模型，并返回将训练病历信息输入到初始药品推荐模型中的步骤迭代执行，直到达到训练完成条件时，得到药品推荐模型。

35、第二方面，本技术还提供了一种药品推荐模型训练装置。所述装置包括：

36、数据获取模块，用于获取训练数据，训练数据包括训练用户标识对应的训练病历信息和训练用户标识对应的各个训练药品类别标签；

37、训练输入模块，用于将训练病历信息输入到初始药品推荐模型中，初始药品推荐模型基于训练病历信息进行向量表示提取，得到训练用户标识对应的训练病历表示向量；

38、训练向量获取模块，用于初始药品推荐模型获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

39、训练分类模块，用于初始药品推荐模型基于训练病历表示向量和各个药品表示向量计算训练用户标识与各个药品标识的匹配程度，得到训练药品匹配表示向量，并基于训练药品匹配表示向量进行分类识别，得到各个药品标识对应的初始分类识别结果；

40、损失计算模块，用于基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息；

41、迭代更新模块，用于基于模型损失信息反向更新初始药品推荐模型，得到更新药品推荐模型，将更新药品推荐模型作为初始药品推荐模型，并返回将训练病历信息输入到初始药品推荐模型中的步骤迭代执行，直到达到训练完成条件时，得到药品推荐模型。

42、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

43、获取训练数据，训练数据包括训练用户标识对应的训练病历信息和训练用户标识对应的各个训练药品类别标签；

44、将训练病历信息输入到初始药品推荐模型中，初始药品推荐模型基于训练病历信息进行向量表示提取，得到训练用户标识对应的训练病历表示向量；

45、初始药品推荐模型获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

46、初始药品推荐模型基于训练病历表示向量和各个药品表示向量计算训练用户标识与各个药品标识的匹配程度，得到训练药品匹配表示向量，并基于训练药品匹配表示向量进行分类识别，得到各个药品标识对应的初始分类识别结果；

47、基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息；

48、基于模型损失信息反向更新初始药品推荐模型，得到更新药品推荐模型，将更新药品推荐模型作为初始药品推荐模型，并返回将训练病历信息输入到初始药品推荐模型中的步骤迭代执行，直到达到训练完成条件时，得到药品推荐模型。

49、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

50、获取训练数据，训练数据包括训练用户标识对应的训练病历信息和训练用户标识对应的各个训练药品类别标签；

51、将训练病历信息输入到初始药品推荐模型中，初始药品推荐模型基于训练病历信息进行向量表示提取，得到训练用户标识对应的训练病历表示向量；

52、初始药品推荐模型获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

53、初始药品推荐模型基于训练病历表示向量和各个药品表示向量计算训练用户标识与各个药品标识的匹配程度，得到训练药品匹配表示向量，并基于训练药品匹配表示向量进行分类识别，得到各个药品标识对应的初始分类识别结果；

54、基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息；

55、基于模型损失信息反向更新初始药品推荐模型，得到更新药品推荐模型，将更新药品推荐模型作为初始药品推荐模型，并返回将训练病历信息输入到初始药品推荐模型中的步骤迭代执行，直到达到训练完成条件时，得到药品推荐模型。

56、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

57、获取训练数据，训练数据包括训练用户标识对应的训练病历信息和训练用户标识对应的各个训练药品类别标签；

58、将训练病历信息输入到初始药品推荐模型中，初始药品推荐模型基于训练病历信息进行向量表示提取，得到训练用户标识对应的训练病历表示向量；

59、初始药品推荐模型获取各个药品标识对应的药品表示向量，药品表示向量是基于药品标识对应的各个官能团表示向量确定的，各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构，基于药品图结构进行向量表示提取得到的，药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的；

60、初始药品推荐模型基于训练病历表示向量和各个药品表示向量计算训练用户标识与各个药品标识的匹配程度，得到训练药品匹配表示向量，并基于训练药品匹配表示向量进行分类识别，得到各个药品标识对应的初始分类识别结果；

61、基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息；

62、基于模型损失信息反向更新初始药品推荐模型，得到更新药品推荐模型，将更新药品推荐模型作为初始药品推荐模型，并返回将训练病历信息输入到初始药品推荐模型中的步骤迭代执行，直到达到训练完成条件时，得到药品推荐模型。

63、上述药品推荐模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过将训练病历信息输入到初始药品推荐模型中，通过获取各个药品标识对应的药品表示向量来进行分类识别，得到各个药品标识对应的初始分类识别结果，然后基于各个药品标识对应的初始分类识别结果和各个训练药品类别标签进行模型损失计算，得到模型损失信息，使用模型损失信息反向更新初始药品推荐模型并进行循环迭代，直到达到训练完成条件时，得到药品推荐模型。由于使用更加准确的药品表示向量来对初始药品推荐模型进行训练，从而使训练得到的药品推荐模型提高了药品推荐的准确性。