[发明专利]一种基于集成学习的生物医学网络关联预测方法

权利要求书

1.一种基于集成学习的生物医学网络关联预测方法，其特征在于，包括以下步骤：

S1，获取待预测的两类生物实体的原始相似度矩阵以及关联矩阵；选择M个现有的生物医学网络关联预测算法，根据所述原始相似度矩阵以及关联矩阵对所述生物实体进行关联预测，获得各算法的预测结果；

S2，根据各算法的预测结果，分别计算获得所述生物实体的预测相似度矩阵；对所述预测相似度矩阵进行稀疏化处理后，结合各算法的预测结果，以加权叠加的方式计算获得所述生物实体的集成相似度矩阵；

S3，运用奇异值分解对所述原始相似度矩阵提取低维特征，结合所述集成相似度矩阵构建自适应加权集成矩阵分解模型；

S4，对所述自适应加权集成矩阵分解模型进行训练优化直至模型收敛；

S5，运用收敛后的所述自适应加权集成矩阵分解模型重建预测矩阵作为所述生物实体关联预测的最终结果。

2.根据权利要求1所述的基于集成学习的生物医学网络关联预测方法，其特征在于，在所述步骤S2中通过以下公式计算获得所述生物实体的预测相似度矩阵以及

其中，A＝{a₁,a₂,…,a_m}以及B＝{b₁,b₂,…,b_n}分别表示所述生物实体的集合；Y^(l)(a_i)和Y^(l)(b_i)分别表示第l个算法的预测结果Y^(l)的第a_i个行向量及第b_i个列向量；控制函数带宽的参数设置为以及

3.根据权利要求2所述的基于集成学习的生物医学网络关联预测方法，其特征在于，在所述步骤S2中通过以下公式对所述预测相似度矩阵进行稀疏化处理：

其中，N(a_i)代表a_i的近邻集合，N(b_i)代表b_i的近邻集合。

4.根据权利要求3所述的基于集成学习的生物医学网络关联预测方法，其特征在于，在所述步骤S2通过以下公式计算获得所述生物实体的集成相似度矩阵G_AS以及G_BS：

其中，和为自适应学习的权重。

5.根据权利要求4所述的基于集成学习的生物医学网络关联预测方法，其特征在于，在所述步骤S3中通过以下公式对所述原始相似度矩阵S_A以及S_B提取低维特征F_A以及F_B：

其中，低维特征的维度设置为f_A以及f_B，f_Am，f_Bn。

6.根据权利要求5所述的基于集成学习的生物医学网络关联预测方法，其特征在于，所述自适应加权集成矩阵分解模型按以下公式表示：

其中，G_ASF_A构成了A类生物实体的特征表示，G_BSF_B构成了B类生物实体的特征表示，以及表示A、B两类生物实体投影到共享的k维空间里的嵌入矩阵，k≤min(f_A,f_B)，u_i表示U的第i个行向量，v_j表示V的第j个行向量。

7.根据权利要求6所述的基于集成学习的生物医学网络关联预测方法，其特征在于，在所述步骤S4中，对所述自适应加权集成矩阵分解模型进行训练优化通过求解以下目标函数实现：

其中，M为所述生物医学网络关联预测算法的数量。