[发明专利]一种基于深度神经网络的中医药材推荐方法

权利要求书

1.一种基于深度神经网络的中医药材推荐方法，其特征在于，包括如下步骤：

S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；

S2、对舌苔图片的特征向量进行维度处理；

S3、对中医药材的数字代号进行嵌入式表征处理；

S4、学习舌苔图片和中医药材之间的关系；

S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材。

2.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，所述步骤S2中，采用主成分分析算法对舌苔图片的特征向量进行降维处理。

3.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，所述步骤S4具体为：

S41、采用向量元素叠加的方法，将步骤S2的舌苔特征向量vector_u和步骤S3的中医药材特征向量vector_i合并为一个新的向量vector_output，形式如下公式：

vector_output＝[vector_u,vector_i]；

S42、将步骤S41的输出向量vector_output作为神经网络的输入向量，采用神经网络算法学习舌苔与中医药材之间的关系。

4.根据权利要求3所述的基于深度神经网络的中医药材推荐方法，其特征在于，步骤S42中神经网络算法包括协同过滤算法和基于内容的过滤算法。

5.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，步骤S3中，嵌入式表征处理是指将输入转换成特定维度的输出向量。

6.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，包括训练阶段和测试阶段，其中训练阶段步骤包括：

[1]将原始输入的舌苔图片特征向量降维，记为vector_u，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vector_i；

[2]将特征向量vector_u和vector_i合并成一个新的向量，记为vector_ui；

[3]将特征向量vector_ui输入神经网络第一层，记为vector_out1；

[4]将vector_out1输入神经网络第二层，记为vector_out2；

[5]将vector_out2输入神经网络第三层，记为vector_out3；

[6]将vector_out3输入神经网络输出层，记为vector_out4；

[7]将vector_out4输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分y_p；

[8]将预测的关联度得分值y_p与目标得分值y比较，计算其损失函数以及梯度G；

[9]重复上述[1]到[8]的过程，直到经过足够多的迭代或者损失函数的值不再明显变小；

测试阶段步骤包括：

[1]将原始的舌苔图片特征向量降维，记为vector_u，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vector_i；

[2]将特征向量vector_u和vector_i合并成一个新的向量，记为vector_ui；

[3]载入训练后的深度神经网络模型；

[4]将vector_ui输入到该深度神经网络模型中，分别经过神经网络第一层、第二层、第三层、输出层，得到输出结果向量vector_out；

[5]将vector_out输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分y_p；

[6]重复[1]到[5]的过程，计算该舌苔图片与其它各种中医药材的关联度得分；

[7]选取关联度得分高的药材作为舌苔图片的最终推荐药材。

7.根据权利要求6所述的基于深度神经网络的中医药材推荐方法，其特征在于，神经网络采用Sigmoid函数计算舌苔与中医药材的关联度得分y_p,形式如下公式：

其中，P、Q分别表示舌苔和中医药材的隐因子矩阵，θ_f表示交互函数f()的模型参数；由于f()被定义为一个含有三层隐藏层的神经网络，因此f()可用下列式子表示：

其中，φ_out和φ₁、φ₂、φ₃分别表示输出层和第1、2、3层的神经协同过滤层。