DAI-Net: Dual Adaptive Interaction Network for Coordinated Medication Recommendation 药物推荐

已于 2024-08-15 09:55:41 修改
阅读量344 收藏 3
点赞数 5
分类专栏： 机器学习 文章标签： 推荐算法 机器学习 深度学习
于 2024-08-13 16:35:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_45591044/article/details/141167440
版权

引言

DAI-Net: Dual Adaptive Interaction Network for Coordinated Medication Recommendation
DAI-Net: 基于对偶自适应交互网络的药物推荐算法

论文链接：https://ieeexplore.ieee.org/document/10614809

代码链接：GitHub - obananas/DAI-Net

在现代医疗保健中，如何利用电子健康记录（EHR）为患者推荐合适的药物组合，已经成为一项备受关注的研究课题。现有的药物推荐方法通常忽略了患者病史中不同症状类型之间的粗粒度交互信息和药物分子与症状类型之间的细粒度交互信息，这限制了推荐系统的准确性和可解释性。为了弥补这一缺陷，本文提出了一种名为对偶自适应交互网络（DAI-Net）的药物推荐框架。

方法流程图：
在这里插入图片描述

具体细节请看—知乎：DAI-Net: 基于对偶自适应交互网络的药物推荐算法 或者原论文：https://ieeexplore.ieee.org/document/10614809

论文笔记（三）：DAML: Dual Attention Mutual Learning between Ratings and Reviews for Item Recommendation
weixin_51083777的博客
06-02 1376
阅读笔记：DAML: Dual Attention Mutual Learning between Ratings and Reviews for Item Recommendation 总述 尽管许多基于矩阵分解的协同过滤方法都取得了成功，但在推荐系统领域还有很大的改进空间。主要障碍是冷启动和数据稀疏问题。最近的研究尝试将评论信息整合到评分预测中。但存在两个主要问题:(1)现有的研究大多采用静态、独立的方法提取用户和物品评论的潜在特征表示，忽视了潜在特征之间的相关性，可能无法全面捕捉用户的偏好。(.
AI与药学|DAPSNet：基于双重注意力机制和患者相似性的药物推荐模型
最新发布
simoncool23的博客
01-16 749
药物推荐，大模型、人工智能、电子健康档案 (EHR)，多重用药，药物-药物相互作用 (DDI)，病人表征，双重注意力机制，病人表征记忆库 (PM)，信息瓶颈 (IB)，信息约束损失，图卷积网络 (GCN)，深度学习，MIMIC-III 数据集，纵向数据。药物推荐，大模型、人工智能、电子健康档案 (EHR)，多重用药，药物-药物相互作用 (DDI)，病人表征，双重注意力机制，病人表征记忆库 (PM)，信息瓶颈 (IB)，信息约束损失，图卷积网络 (GCN)，深度学习，MIMIC-III 数据集，纵向数据。
2024 推荐系统论文汇总
卢之
01-08 1万+
对2024年的 推荐系统论文进行一波收集，给各位初学者和算法大佬作为灵感来源，后续专栏会继续更新论文解读，根据评论不断补充，欢迎大家三连~
【COCA】美国当代语料库常用高频词汇20200个（可直接复制）
Marble Race
07-31 7万+
COCA当代语料库常用高频单词语料库20200个下载！
AAAI2020录用论文汇总（一）
fengdu78的博客
02-28 4161
本文汇总了截至2月23日arxiv上上传的所有AAAI2020录用论文，共计629篇，因篇幅过长，分为三部分，分享给大家。AAAI2020论文汇总（part 1）[1] MA-DS...
插件8：拼写检查
dearbaba_1666的博客
06-27 15万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
英文高频词
热门推荐
自然语言处理及大数据
09-08 74万+
('rods', 100) ('carbohydrates', 100) ('stresses', 100) ('premiered', 100) ('cyrus', 100) ('drastically', 100) ('eukaryotic', 100) ('witchcraft', 100) ('accompaniment', 100) ('conventionally',
ubuntu18.04安装和使用Anaconda3（详细）
ｋ的博客
02-18 2万+
ubuntu18.04安装和使用Anaconda3（详细） 1.Anaconda简介 anaconda 是一个python的发行版，包括了python和很多常见的软件库, 和一个包管理器conda。 常见的科学计算类的库都包含在里面了，使得安装比常规python安装要容易。主要是！装了anaconda就不需要单独装python了。 因为Anaconda就是用来管理我们不同版本的python环境的。...
【Linux】安装Ubuntu18.04（启动黑屏或卡在紫屏，WiFi无法连接，安装应用）史上最全补坑，真的干货！
ｋ的博客
02-03 9982
一、安装Ubuntu（以18.04.1为例） 这里以在win10系统下安装双系统为参考（想通过虚拟机安装可以参考https://mp.weixin.qq.com/s/ti_E6lAiljmVYM4_9TUKwg） 1.安装准备 1.1Ubuntu18.04镜像 你可以选择镜像文件下载或镜像文件种子下载，但我推荐使用种子文件，种子文件搭配迅雷下载速度十分快。可以从国内镜像网站下载，清华源：https...
【机器学习】谱聚类（Spectral Clustering）
ｋ的博客
02-18 7517
疑问 谱聚类的概念 谱聚类是一种针对图结构的聚类方法，将每个点都看作是一个图结构上的点，所以，判断两个点是否属于同一类的依据就是，两个点在图结构上是否有边相连，可以是直接相连也可以是间接相连。本质上就是一个图切割问题。 什么是谱（Spectral ） 谱（spectral）就是指矩阵的特征值 那么谱与图的联系究竟是什么 首先我们知道 图结构 可以用邻接矩阵 / 相似矩阵来表示，通过矩阵就能清楚图的结构信息，具体是怎么建立联系的，我们接下来一步一步分析。 一、问题描述 假设有nnn个实数样本数据如下，每个样本
【流行学习】局部线性嵌入(Locally Linear Embedding)
ｋ的博客
02-12 4714
一、前言 局部线性嵌入（LLE）假设数据在较小的局部是线性的，也就是说，某一个样本可以由它最近邻的几个样本线性表示，离样本远的样本对局部的线性关系没有影响，因此相比等距映射算法，降维的时间复杂度和空间复杂度都有极大的降低。 比如有一个样本x1x_1x1​ ，我们在它的原始高维邻域里用KKK-近邻思想找到和它最近的三个样本x2,x3,x4x_2,x_3,x_4x2​,x3​,x4​，然后我们假设x1x_1x1​可以由x2,x3,x4x_2,x_3,x_4x2​,x3​,x4​线性表示，即： x1=w12x2+
【流行学习】局部保持投影（Locality Preserving Projections）
ｋ的博客
02-12 3965
一、前言 局部保持投影算法（LPP）主要是通过线性近似LE（Laplacian Eigenmaps），想保留的是高维中的局部信息 二、主要步骤 具体步骤如下所示： 1.确定LPP的目标函数：min⁡12∑i,j(yi−yj)2sij \min \frac{1}2\sum_{i, j}(y_{i}-y_{j})^{2} s_{i j} min21​i,j∑​(yi​−yj​)2sij​ 其中yiy_iyi​表示的是降维后的任意数据点iii，yjy_jyj​表示的是降维后的任意数据点不包含iii。 其中sijs
【流行学习】拉普拉斯映射（Laplacian Eigenmaps）
ｋ的博客
01-16 3866
一、前言 拉普拉斯特征映射是一种基于图的降维算法，它希望在原空间中相互间有相似关系的点，在降维后的空间中尽可能的靠近，从而在降维后仍能保持原有的数据结构信息。 二、主要步骤 拉普拉斯特征映射通过构建邻接矩阵为WWW（或叫相似矩阵）的图，来重构数据流形的局部结构特征。 主要思想是，如果两个数据样本 iii 和 jjj 很相似，那么 iii 和 jjj 在降维后子空间中应该与在原空间中一样，尽量接近。 假设数据实例的数目为 nnn，目标子空间的维数（即最终的降维目标的维度）为 mmm。定义 n×mn×mn×m
Ubuntu18.04安装CUDA及CUDNN有效方式
ｋ的博客
03-02 3113
一、安装CUDA 首先去英伟达官网下载，下载地址：最新版，现在是CUDA Toolkit 10.2版 可以根据自己的配置要求搜不同cuda版本 https://developer.nvidia.com/cuda-toolkit-archive 下载界面如下： 这里用的Ubuntu18.04系统安装的，也可选windows。 安装命令： wget http://developer.download...
【多视图】Incomplete Multiview Spectral Clustering With Adaptive Graph Learning
ｋ的博客
01-06 2012
不完整多视图聚类
【机器学习】十大机器学习基础算法
ｋ的博客
11-13 1934
十大机器学习算法入门 近年来，机器学习与人工智能已广泛应用于学术与工程，比如数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 对于一个初学者来讲，周志华教授的西瓜书是一个很好的选择，以及相关机器学习视频课程是必不可少的，在这里我先分享基础学习视频 机器学习课程（20集），网上有很多公开课程，大家可以
【机器学习】线性回归和线性分类器—应用
ｋ的博客
11-10 1932
接着上一章的基础篇 线性回归基础篇 线性分类 线性分类器背后的基本思路是，目标分类的值可以被特征空间中的一个超平面分开。如果这可以无误差地达成，那么训练集被称为线性可分。 上面已经介绍了线性回归和普通最小二乘法（OLS）。现在考虑一个二元分类问题，将目标分类记为「+1」（正面样本）和「-1」（负面样本）。最简单的线性分类器可以通过回归定义： a(x)=sign(wTx) a(\textbf{x}) = \text{sign}(\textbf{w}^\text{T}\textbf x)a(x)=sign(w
【机器学习】线性回归和线性分类器—基础
ｋ的博客
11-09 1615
回归 线性分类 逻辑回归的正则化 逻辑回归的优缺点 验证和学习曲线 最小二乘法 在开始学习线性模型之前，简要介绍一下线性回归，首先指定一个模型将因变量 yyy 和特征联系起来，对线性模型而言，依赖函数的形式如下： y=w0+∑i=1mwixiy = w_0 + \sum_{i=1}^m w_i x_iy=w0​+i=1∑m​wi​xi​ 如果为每项观测加上一个虚维度 x0=1x_0 = 1x0​=1（比如偏置），那么就可以把 w0w_0w0​ 整合进求和项中，改写为一个略微紧凑的形式： y=∑i=0mw.
【机器学习】吴恩达机器学习课程（数学推导详解）
ｋ的博客
02-12 1241
吴恩达机器学习课程笔记 机器学习定义 什么是机器学习？ 机器学习（Machine Learning）：是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。一个程序被认为能从经验E中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验E后，经过P评判， 程序在处理T时的性能有所提升。 监督学习和无监督学习 监督学习（Supervised ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值