[发明专利]基于疾病加权和食品类别约束的食品-疾病关联预测方法

权利要求书

1.一种基于疾病加权和食品类别约束的食品-疾病关联预测方法，其特征在于包括以下步骤：

步骤1、利用国际疾病分类数据构建疾病加权关系；

步骤2、利用成分表构建食品相似度网络；

步骤3、利用食品分类系统构造食品组关系；

步骤4、构造已知的二元食品-疾病关联网络；

步骤5、随机初始化食品和疾病在潜在空间的表示；

步骤6、引入疾病加权关系和食品组关系，学习食品和疾病潜在空间的表示；

步骤7、利用食品和疾病潜在空间的表示，输出预测食品和疾病的关联结果，从而增强食品疾病关联预测的准确性；

所述步骤6的具体实现方法为：

将食品-疾病关联矩阵R分解为食品向量U和疾病向量V的乘积，则分解目标函数定义为：

定义疾病加权后的层次结构关系，将具有邻接父子关系的两个疾病限制在潜在空间保持比较近的距离：

其中tr(·)表示括号中·所对应的矩阵的迹，S′₁是疾病的对称关系矩阵；对角矩阵(D′₁)_ii＝∑_j(S′₁)_ij，图拉普拉斯算子L₁＝D'₁-S′₁，||A||²是A矩阵的L₂正则化值；V_.i、V_.j为V矩阵中第i、第j列的列向量；A^T是指A矩阵的转置；

将普通图拉普拉斯算子应用于食品相似度中：

S₂为食品相似度网络，(D₂)_ii＝∑_j(S₂)_ij，D₂是对角矩阵且对角线上元素是S₂的行和，L₂＝D₂-S₂；

引入食品组关系，将潜在空间中所有食品的几何中心点作为组中心点，并且该组中的所有组成员应该接近于组中心点；在每次迭代中，用已发生的最后一次迭代中使用的U和V来计算每个组的中心点，这些点在当前迭代中用作固定变量；以组为中心的约束表示如下：

其中是食品组G中第j个元素，是食品组G的几何中心；表示一个组G中的成员j和其所在组中心点的欧氏距离；将R₀、R₁、R₂合并到基础的矩阵分解目标中，得到目标函数如下：

s.t.U≥0，V≥0

其中λ₀、λ₁和λ₂为人为指定的参数，选值范围为：λ₀和λ₁从集合{0，0.001，0.01，0.1，1，10，100，1000}中选择，λ₂从集合{1，10，100，1000}中选择，利用梯度下降的方法，求解得到食品和疾病潜在空间的表示U和V。

2.根据权利要求1所述的基于疾病加权和食品类别约束的食品-疾病关联预测方法，其特征在于：所述步骤1的具体实现方法为：

首先，利用国际疾病分类数据，构造疾病相关度矩阵S₁，如果两种疾病的表述在国际疾病分类中为父子关系，则设置疾病相关度矩阵中的元素S_ij＝1,否则S_ij＝0，其中，疾病i为疾病j的父目录，疾病j为疾病i的具体亚类；

然后，定义父结点i的深度depth_(i,j)、父结点i和子结点j所构成的边所处深度的权重C(depth_(i,j))，定义如下：

C(depth_(i,j))＝1+log(depth_(i,j))

最后，基于层次结构加权后，疾病的相关度矩阵表示如下：

(S′₁)_ij＝(S₁)_ij*C(depth_(i，j))。