[发明专利]基于外部知识的药物相互作用关系抽取方法及系统

权利要求书

1.一种基于外部知识的药物相互作用关系抽取方法，其特征在于，包括以下步骤：

对药物数据库内容进行分析处理，抽取并生成相互作用的药物对，同时保存所有药物描述信息，形成带有药物描述信息的药物相互作用数据集；

构建药物描述系信息训练模型，并通过所述药物相互作用数据集进行训练，得到并保存最优模型；

将所述最优模型与BiLSTM-Att-CapsNet模型相结合得到EK-BiLSTM-Att-CapsNet模型，同时识别药物相互作用数据集的药物实体，在药物数据库中找寻对应药物描述信息并保存，最后对结合的模型进行训练得到最终关系抽取模型。

2.根据权利要求1所述的方法，其特征在于，所述构建药物描述系信息训练模型，并通过所述药物相互作用数据集进行训练，得到并保存最优模型的步骤，具体包括：

同一时间接收第一药物的描述信息、第二药物的描述信息；

将第一药物的描述信息、第二药物的描述信息转换为向量表示；

分别获取第一药物与第二药物描述语句的前向信息和后向信息，然后将二者相结合，作为句子表示；

对句子表示进行线性变换，然后进行性归一化处理，选取类别概率最大的作为预测类别标签；

利用损失函数代入药物相互作用数据集训练，得到最优模型。

3.根据权利要求2所述的方法，其特征在于，得到句子表示的方法为：

BiLSTM获取语句的前向信息和后向信息，计算得到隐藏层的输出：

表示正向输入的语句，表示逆序输入的语句，表示正向输入的语句的输出，表示逆序输入的语句的输出，H为BiLSTM隐藏层的输出；

计算得到经过BiLSTM后，句子表示为：

表示前向输入的最后一个时间步的信息，表示后向输入的最后一个时间步的信息。

4.根据权利要求3所述的方法，其特征在于，所述预测类别标签通过以下方式得到：

先计算得到句子表示的线性变换：

h^*＝[h₁；h₂]；

output＝W^(fc)·h^*+b^(fc)；

其中，W^(fc)和b^(fc)分别为全连接层的权重参数和偏置参数，h₁∈R^N表示第一药物描述信息经过BiLSTM层的句子表示，h₂∈R^N表示第二药物描述信息经过BiLSTM层的句子表示，N表示BiLSTM隐藏层单元数目，output为线性变换输出，h^*∈R^2N为第一药物、第二药物句子表示的拼接；

根据线性变换进行归一化处理，选取最大的类别概率为预测类别标签：

其中，代表预测类别标签，output代表所述句子线性变换的输出，softmax(output)为归一化处理。

5.根据权利要求4所述的方法，其特征在于，所述损失函数为：

其中，y∈R^m代表真实类别标签，m代表类别标签数目，y和以one-hot向量表示，λ是L2正则化的超参数，θ为在模型中进行训练得到。

6.根据权利要求5所述的方法，其特征在于，所述EK-BiLSTM-Att-CapsNet模型使用的损失函数为：

L＝T_kmax(0,m⁺-||v_k||)²+λ(1-T_k)max(0,||v_k||-m^-)²

其中，T_k为分类的指示函数，k为指示系数，m⁺为上边界，||v_k||为第k个胶囊的长度，m^-为下边界。