一种基于神经网络语言模型的药物潜在不良反应发现方法

摘要

一种基于神经网络语言模型的药物潜在不良反应发现方法，涉及药物潜在不良反应发现方法领域，包括以下步骤，数据获取及清洗；模型优化，修改原始的Skip‑gram算法，用于从FDA的AERS报告和DrugBank DDI数据集中进行特征提取；拓展相互作用库，选取5种不良反应大类：肾损伤、心脏毒性、肝毒性、血压异常和神经毒性，以这5种不良反应大类作为Logistic回归验证药物、不良反应向量的范围并在这5大类范围内拓展DrugBank药物相互作用库；Logistic回归验证向量效果，使用Scikit‑learn完成CM‑TF‑IDF模型构建及分布式向量生成。该基于神经网络语言模型的药物潜在不良反应发现方法，解决了现有的方法数据处理速度较慢，不适合处理大规模数据集，同时不能快速进行特征学习的问题。