公开(公告)号：CN118397338A

公开(公告)日：2024-07-26

申请号：CN202410470934.5

申请日：2024-04-18

申请人： 大连东软信息学院

发明人： 李承秀 ,  郭权 ,  韩立 ,  赵磊 ,  房颖 ,  康玲 ,  范博

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06V10/42 ,  G06V10/80

摘要： 本发明公开了一种基于神经网络的食谱智能生成方法，包括：构建食物图像数据集和食材语料库，并对食物图像进行预处理；构建环境特征提取编码器，对处理后的食物图像进行特征提取，得到图片特征张量；构建成分解码器，将图片特征张量和食材语料库中的食材相对应，得到经过成分解码的食材列表；构建成分编码器，将经过成分解码的食材列表通过成分编码器处理，得到食材特征张量；构建食谱解码器，通过食谱解码器将图片特征张量和食材特征张量通过拼接的方式进行融合，处理融合后的特征，得到最终的预测食谱步骤说明；本发明能够在环境去噪的条件下尽可能多地保留图像的核心特征信息，避免模型过拟合，提高模型的泛化能力，提高混合模型预测的精准度。

公开(公告)号：CN118824560A

公开(公告)日：2024-10-22

申请号：CN202410801742.8

申请日：2024-06-20

申请人： 大连东软信息学院

发明人： 赵磊 ,  郭权 ,  韩立 ,  李承秀 ,  房颖 ,  康玲 ,  王灝 ,  彭钰莹 ,  范博

IPC分类号： G16H50/70 ,  G16H70/00 ,  G06N5/025 ,  G06N5/04 ,  G06F16/901 ,  G06F16/903 ,  G06F16/36

摘要： 本发明公开了一种基于大模型的营养素与疾病知识图谱的构建方法，包括：构建大模型和营养素疾病相关的提示词，将相关原始文本和提示词输入大模型，输出营养素、疾病名称和营养素与疾病之间关系的原始三元组数据集；构建营养素与疾病之间关系的提示词，将数据集和提示词输入大模型，得到三元组数据集；构建疾病编码本地向量数据库，读取疾病名称，查询对应的疾病编码，使用带编码的名称替换三元组数据集的疾病名称，得到新的三元组数据集；将新的三元组数据集导入图数据库，创建营养素、疾病名称及关系知识图谱；本发明能够提高创建营养素与疾病关系的效率和营养素与疾病实体对齐的准确性，得到高质量的知识图谱，为营养师提供更加准确的营养信息。

公开(公告)号：CN118447916A

公开(公告)日：2024-08-06

申请号：CN202410549449.7

申请日：2024-05-06

申请人： 大连东软信息学院

发明人： 韩立 ,  石冬凌 ,  郭权 ,  康玲 ,  范博 ,  房颖

IPC分类号： G16B15/30 ,  G16B40/20 ,  G16B30/00 ,  G06F18/25 ,  G06F18/213 ,  G16C20/50 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/084 ,  G06N3/0464 ,  G06N3/082

摘要： 本发明公开了基于补丁编码和混合注意力的药物‑靶点亲和力预测方法，包括获取蛋白质序列和药物小分子的SMILES字符串并进行预处理，基于词向量方法和ESM编码方法对预处理后的蛋白质序列进行编码，对编码结果进行叠加后得到具有二通道的编码向量并执行Patch编码操作，基于词向量方法对SMILES字符串进行编码并执行Patch编码操作，基于混合注意力机制对不同张量的局部特征进行学习，基于双头长短期记忆模型分别对不同张量及其之间的依赖关系进行学习，并将学习后的结果进行融合并表示为药物‑靶点特征，构建亲和力预测模型，据亲和力预测模型获取药物与蛋白质之间的亲和力预测值。本发明有效提高了深度学习在药物小分子‑蛋白质靶标结合亲和力预测中的能力。

公开(公告)号：CN117831707A

公开(公告)日：2024-04-05

申请号：CN202410113410.0

申请日：2024-01-26

申请人： 大连东软信息学院

发明人： 赵磊 ,  郭权 ,  韩立 ,  李承秀 ,  房颖 ,  康玲 ,  王灝 ,  彭钰莹

IPC分类号： G16H20/10 ,  G16H20/60 ,  G16H70/40 ,  G06F40/295 ,  G06F40/194 ,  G06F40/30 ,  G06F18/214 ,  G06N3/096

摘要： 本发明公开了一种基于BERT的食物、中草药成分与疾病、症状的关系提取方法，通过将实体标签标注的非结构化文本数据对搭建的BERT+CRF模型进行模型训练获取实体识别的BertNER模型，增加了在对实体训练和识别过程中精度，提高了识别效果；根据实体识别的BertNER模型对数据清洗后的论文集进行实体识别，并对初始实体关系提取数据集中的实体进行掩码处理并保存；采用BioBert模型对掩码处理后的数据集进行训练，以获取实体关系提取RE模型实现食物、中草药成分与疾病、症状的实体关系预测，并对预测数据进行数据后处理获得最终的实体关系提取数据集，实现了数据集的预标注，弥补了该任务缺乏注释数据的不足，为未来在没有专家对数据标注的情况下自动提取实体关系提供了有效方法。