融合知识图谱与图卷积神经网络中医证型分类模型

来源：计算机技术与发展杂志2025年第03期北京时间：

作者：董云春;晏峻峰*

摘要：中医证型分类是中医辨证体系中极为重要的一部分,证型分类的准确性会影响到中医诊疗的效果,因此如何提高证型分类的准确率一直是中医学研究的一个重要课题。 利用人工智能技术探究中医证型分类模型,提高证型分类性能,从而为中医学的其他相关应用奠定基础。 该文采用了一种融合模型———KGRGCN。 该模型能够高效地获取数据节点之间的深层特征。 图卷积神经网络作为一种处理图结构数据的有效方法,通过残差结构的引入,可以提高模型的表达能力和训练稳定性;同时融合证型相关知识图谱,辅助模型整合证型嵌入表示,增强症状与证型间的关联关系;为了进一步增强模型性能,提出增加证素权重作为其桥梁的策略,融合多层信息表征,并采用多层感知机(MLP)来进行证型分类。 实验结果表明,KGRGCN 模型在证型分类任务中表现优异。 具体而言,该模型的准确率为 75. 43% ,精确率为 74. 93% ,召回率为 76. 91% ,F1-score 为 75. 91% 。 这些结果表明,模型在分类性能上优于几种流行的分类方法,包括支持向量机、TextCNN 和随机森林等。

关键词：图卷积神经网络;证型分类;知识图谱;证素;残差结构