糖尿病患者生活方式管理路径自动推荐方法及系统

摘要

本发明公开一种糖尿病患者生活方式管理路径自动推荐方法及系统，包括：获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据；基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱；对多模态知识图谱进行关系补全；将关系补全后的多模态知识图谱的语义信息输入至深度学习模型中进行训练学习；基于某一糖尿病患者的病理信息和目标生活方式信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

说明书

技术领域

本发明涉及糖尿病患者生活方式管理路径推荐技术领域，特别是涉及一种基于知识图谱的糖尿病患者生活方式管理路径自动推荐方法及系统。

背景技术

糖尿病是一种慢性疾病，患病率高达10％，并且并发症可以累及人体的各个器官。饮食控制是管理糖尿病的主要手段之一，它的主要作用是减轻患者胰岛负担，使血糖和血脂维持在正常人的水平，再配合上药物的使用，有效的改善患者的健康状况。传统上糖尿病患者的饮食都是由特定的医师或者营养师亲自调配的，患者一多不仅在程序上难以管理，而且食物的种类比较的单一，出现不符合患者口味等情况，同时营养师的工作量也大大增加。另外，运动也是由专业的人员进行热量计算后指导患者采取规定的运动等。研究还发现与采取单纯的强化饮食干预相比，强化饮食干预与体育运动结合的方法是否会对新近诊断为2型糖尿病的患者更有益，这些为糖尿病患者的个性化管理提供了数据支撑。尽管可以通过患者的生活方式干预控制达到管理糖尿病的效果，然而相对于广大的糖尿病患者人群，糖尿病的医护人员资源显得不足，并且糖尿病患者的饮食和运动方案的个性化推荐的问题亟待解决。

随着互联网的崛起并且快速发展，用户面对巨大的数据量糖尿病患者显得束手无策，不知不觉中已经淹没在海量数据当中。尽管已有糖尿病人的饮食和运动临床指南，但随着大数据研究的深入，也有不少新的干预模式。已有基于多源异构数据研发糖尿病个性化管理应用的技术报道，这次技术对糖尿病患者的基本信息、采集的生理信号数据、生活习惯、用药情况等进行挖掘分析，利用双重聚类推荐方法，为用户推送个性化生活方式、运动管理、用药方案等信息，引导用户选择更好的生活习惯，主动进行行为干预，可以控制糖尿病并发症的发作，降低家庭在医疗健康的支出，提高糖尿病患者的生活质量。

而推荐算法的诞生，满足了糖尿病人群对可用信息的需求，摆脱了用户不能得到自己真正需要的数据的困境，提高了对信息的利用率。比如借助速度传感器、无线上网技术以及全球定位系统，推荐系统通过获取患者运动速度及心率信息，能够分析患者处于何种运动状态(睡觉、运动、工作、吃饭、闲坐、行走等)，再结合血糖仪的结果提供多元的、细致的运动处方，仅能建议增加或减少运动。还有软件联合运动设备可以通过综合人体成分分析报告、有氧能力、肌肉力量报告给出运动处方。推荐算法是根据用户的兴趣、需求信息等属性，将其他的、用户不知的、用户感兴趣的信息推荐给用户。并且采用这些属性将用户之间建立关联。归类后的用户，由于推荐算法分析产生的兴趣点，使用户彼此之间关系密切。这种个性化服务，让用户产生了依赖。推荐算法已经在很多领域得到应用，最为代表性的就是电子商务领域，并且在这个领域推荐算法发展迅速，日趋成熟。在智能医疗领域，推荐算法也受到关注得到应用。面向糖尿病患者的个性化饮食推荐算法就是智能医疗领域的重要研究课题之一。传统的糖尿病饮食推荐算法面对越来越多的患者数据而无法精确地在患者身体指标与推荐的食物之间的关系进行匹配。在糖尿病食物交换份基础上，现有的糖尿病饮食推荐算法大多采用基于关联规则的推荐算法、基于内容的推荐算法、基于层次分析的推荐算法、协同过滤推荐算法、基于约束的推荐算法或者是在主治医生的诊断和营养师的控制下共同完成等多种方法。通过对范例推理算法(CBR)对糖尿病的管理方案进行评分，然后对用户未评分的项目进行推理评分，最后用基于用户的协同过滤进行Top-N推荐。通过对范例推理算法(CBR)的深入了解，将范例推理能进行预测的特性应用到协同过滤的冷启动问题，并通过遗忘模型来完成对范例库的修正，然后对用户未评分的项目进行推理评分，最后用基于用户的协同过滤进行Top-N推荐。结合范例推理的协同过滤对缓解协同过滤矩阵稀疏性问题有一定的辅助作用。此外，依靠改进的推荐引擎和移动平台以及信息支撑系统为患者和医师之间打造了一个饮食推荐平台。有研究人员采用协同过滤算法实现饮食推荐，包括基于用户的协同过滤算法和基于项目的协同过滤算法。通过用户对历史点菜模板的评分信息构建用户-项目评分矩阵，然后通过余弦相似度公式计算得到用户间或者项目间的相似性，找到与当前用户或项目相似度最高的邻居集合，利用邻居用户对项目的历史评分数据，采用加权平均的方法来预测目标用户的未评分项目，根据产生推荐项目集合评分高低的排序，找到饮食模板的最高评分，最终将这个饮食模板推荐给目标用户，实现对患者一天所需要的热卡进行计算，然后给予食物量化的推荐。司慧枫等人利用异构信息网络为糖尿病患者推荐饮食的思想，构建了糖尿病饮食推荐系统模型框架，再通过实际案例对推荐系统模型流程进行说明。糖尿病患者饮食推荐过程包含患者类型P、患者症状A、推荐原则T、推荐方案F为异构信息网络的四个数据类型，并对数据类型包含的属性选取进行说明，同时对数据类型之间的潜在关系进行分析，构建以患者为中心的糖尿病饮食异构信息网络，并基于传统聚类与异构信息网络排序相结合的方法实现患者聚类，进而得到饮食推荐方案，搭建包括患者端模块、推荐模块、数据库管理模块和医务端模块的糖尿病饮食推荐系统，系统实现饮食推荐和饮食记录的功能。

发明内容

本发明针对现有技术存在的问题和不足，提供一种新型的基于知识图谱的糖尿病患者生活方式管理路径自动推荐方法及系统。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种糖尿病患者生活方式管理路径自动推荐方法，其特点在于，其包括以下步骤：

S1、获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据；

S2、基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱：从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点；

S3、对多模态知识图谱进行关系补全：利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边；

S4、将关系补全后的多模态知识图谱的语义信息输入至深度学习模型中进行训练学习；

S5、基于某一糖尿病患者的病理信息和目标生活方式信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

较佳地，在步骤S1中，通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

较佳地，在步骤S2中，设空知识图谱N，节点I初始值为0，连边J的初始值为0，针对每一个糖尿病患者：

S21、提取该糖尿病患者的特征点；

S22、判断该特征点是否存在于知识图谱N中，若是则重复步骤S21，否则进入步骤S23；

S23、将该特征点添加至知识图谱N中作为独立的节点，且I＝I+1，重复步骤S21；

S24、提取该糖尿病患者的两个不同的特征点之间的关系；

S25、判断两个不同的特征点之间是否有关系，若是则进入步骤S26，否则进入步骤S27；

S26、两个不同的特征点对应的节点之间构建连边，重复步骤S24；

S27、两个不同的特征点对应的节点之间不构建连边，重复步骤S24。

本发明还提供一种糖尿病患者生活方式管理路径自动推荐方法，其特点在于，其包括以下步骤：

S1、获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据；

S2、基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱：从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点；

S3、对多模态知识图谱进行关系补全：利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边；

S4、获取某一糖尿病患者的病理信息和生活方式管理目标信息，找到多模态知识图谱中与病理信息对应的节点作为起点、与生活方式管理目标信息对应的节点作为终点；

S5、判断起点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第一设定值，若是则将该节点加入起点集合中；

S6、判断终点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第二设定值，若是则将该节点加入终点集合中；

S7、将起点集合和终点集合做并集处理，在多模态知识图谱中去除并集中未出现的节点；

S8、计算去除操作后的多模态知识图谱中起点和终点之间经过除起点和终点外的其他节点的连边关系值总和，并将多模态知识图谱中连边关系值总和最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理最优路径。

较佳地，在步骤S1中，通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

本发明还提供一种糖尿病患者生活方式管理路径自动推荐系统，其特点在于，其包括获取模块、构建模块、补全模块、训练模块和预测模块；

所述获取模块用于获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据；

所述构建模块用于基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱，从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点；

所述补全模块用于对多模态知识图谱进行关系补全，利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边；

所述训练模块用于将关系补全后的多模态知识图谱的语义信息输入至深度学习模型中进行训练学习；

所述预测模块用于基于某一糖尿病患者的病理信息和目标生活方式信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

较佳地，所述获取模块用于通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

较佳地，所述构建模块包括第一提取子模块、第一判断子模块、添加子模块、第二提取子模块、第二判断子模块和构建子模块；

设空知识图谱N，节点I初始值为0，连边J的初始值为0，针对每一个糖尿病患者：

所述第一提取子模块用于提取该糖尿病患者的特征点；

所述第一判断子模块用于判断该特征点是否存在于知识图谱N中，在为是时重复调用第一提取子模块，在为否时调用添加子模块；

所述添加子模块用于将该特征点添加至知识图谱N中作为独立的节点，且I＝I+1，重复调用第一提取子模块；

所述第二提取子模块用于提取该糖尿病患者的两个不同的特征点之间的关系；

所述第二判断子模块用于判断两个不同的特征点之间是否有关系，在为是时则调用构建子模块；

所述构建子模块用于对两个不同的特征点对应的节点之间构建连边，重复调用第二提取子模块。

本发明还提供一种糖尿病患者生活方式管理路径自动推荐系统，其特点在于，其包括第一获取模块、构建模块、补全模块、第二获取模块、第一判断模块、第二判断模块、处理模块和推荐模块；

所述第一获取模块用于获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据；

所述构建模块用于基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱，从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点；

所述补全模块用于对多模态知识图谱进行关系补全，利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边；

所述第二获取模块用于获取某一糖尿病患者的病理信息和生活方式管理目标信息，找到多模态知识图谱中与病理信息对应的节点作为起点、与生活方式管理目标信息对应的节点作为终点；

所述第一判断模块用于判断起点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第一设定值，若是则将该节点加入起点集合中；

所述第二判断模块用于判断终点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第二设定值，若是则将该节点加入终点集合中；

所述处理模块用于将起点集合和终点集合做并集处理，在多模态知识图谱中去除并集中未出现的节点；

所述推荐模块用于计算去除操作后的多模态知识图谱中起点和终点之间经过除起点和终点外的其他节点的连边关系值总和，并将多模态知识图谱中连边关系值总和最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理最优路径。

较佳地，所述获取模块用于通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明获取糖尿病患者生活方式管理的多源异构数据，构建糖尿病患者生活方式管理的多模态知识图谱，并对多模态知识图谱进行动态增长与关系补全，通过重启随机游走模型实现链路预测，并引入注意力模型深度图学习的特征发现与匹配，根据用户的生活方式习惯和设定的糖尿病管理目标，实现糖尿病生活方式管理路径的个性化自动推荐。

附图说明

图1为本发明实施例1的糖尿病患者生活方式管理路径自动推荐方法的流程图。

图2为本发明实施例1的糖尿病患者生活方式管理路径自动推荐系统的结构框图。

图3为本发明实施例2的糖尿病患者生活方式管理路径自动推荐方法的流程图。

图4为本发明实施例2的糖尿病患者生活方式管理路径自动推荐系统的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本实施例提供一种糖尿病患者生活方式管理路径自动推荐方法，其包括以下步骤：

步骤101、获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据。

在步骤101中，通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

步骤102、基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱：从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点。

例如：病理特征点包括糖尿病患者类型、血糖值、血脂值等，生活方式管理特征点包括饮食特征点和运动特征点等。从多源异构数据中提取出糖尿病患者的各个不同的病理特征点(如糖尿病患者类型特征点、血糖值特征点、血脂值特征点)、各个不同的饮食特征点(粥特征点、包子特征点、馒头特征点)和各个不同的运动特征点(跑步特征点、慢走特征点)等，肉包和三丁包均属于包子，具有上下位概念关系，同归属于包子特征点，各个不同的特征点分别作为知识图谱中独立的节点。两个不同的特征点之间有关系则构建这两个节点之间的连边，如糖尿病患者早饭吃了粥和包子，则粥特征点和包子特征点之间有关系则构建粥特征点和包子特征点对应的两个节点之间的连边。

在步骤102中，设空知识图谱N，节点I初始值为0，连边J的初始值为0，针对每一个糖尿病患者：

S21、提取该糖尿病患者的特征点；

S22、判断该特征点是否存在于知识图谱N中，若是则重复步骤S21，否则进入步骤S23；

S23、将该特征点添加至知识图谱N中作为独立的节点，且I＝I+1，重复步骤S21；

S24、提取该糖尿病患者的两个不同的特征点之间的关系；

S25、判断两个不同的特征点之间是否有关系，若是则进入步骤S26，否则进入步骤S27；

S26、两个不同的特征点对应的节点之间构建连边，重复步骤S24；

S27、两个不同的特征点对应的节点之间不构建连边，重复步骤S24。

步骤103、对多模态知识图谱进行关系补全：利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边。

步骤104、将关系补全后的多模态知识图谱的语义信息输入至深度学习模型(注意力模型)中进行训练学习。

步骤105、基于某一糖尿病患者的病理信息和目标生活方式信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

例如：某一糖尿病患者的病理信息为糖尿病类型、血糖高等信息，目标生活方式信息为希望采用多饮食、多运动生活方式等信息，基于此信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

如图2所示，本实施例还提供一种糖尿病患者生活方式管理路径自动推荐系统，其包括获取模块11、构建模块12、补全模块13、训练模块14和预测模块15。

所述获取模块11用于获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据。

其中，所述获取模块11用于通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

所述构建模块12用于基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱，从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点。

其中，所述构建模块12包括第一提取子模块、第一判断子模块、添加子模块、第二提取子模块、第二判断子模块和构建子模块；

设空知识图谱N，节点I初始值为0，连边J的初始值为0，针对每一个糖尿病患者：

所述第一提取子模块用于提取该糖尿病患者的特征点；

所述第一判断子模块用于判断该特征点是否存在于知识图谱N中，在为是时重复调用第一提取子模块，在为否时调用添加子模块；

所述添加子模块用于将该特征点添加至知识图谱N中作为独立的节点，且I＝I+1，重复调用第一提取子模块；

所述第二提取子模块用于提取该糖尿病患者的两个不同的特征点之间的关系；

所述第二判断子模块用于判断两个不同的特征点之间是否有关系，在为是时则调用构建子模块；

所述构建子模块用于对两个不同的特征点对应的节点之间构建连边，重复调用第二提取子模块。

所述补全模块13用于对多模态知识图谱进行关系补全，利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边。

所述训练模块14用于将关系补全后的多模态知识图谱的语义信息输入至深度学习模型中进行训练学习。

所述预测模块15用于基于某一糖尿病患者的病理信息和目标生活方式信息构建子知识图谱，将子知识图谱的语义信息输入至训练好的深度学习模型中进行图相似度匹配预测，并将多模态知识图谱中与子知识图谱相似度最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理路径。

实施例2

如图3所示，本实施例提供一种糖尿病患者生活方式管理路径自动推荐方法，其包括以下步骤：

步骤201、获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据。

其中，在步骤201中，通过网络爬虫技术爬取与糖尿病患者生活方式管理相关的数据，以及从饮食运动管理数据库、糖尿病患者交流论坛、现有糖尿病文献数据库、糖尿病患者生活方式管理指南中抓取与糖尿病患者生活方式管理相关的数据，并利用自然语言技术对获取到的各个与糖尿病患者生活方式管理相关的数据进行实体识别与编码。

步骤202、基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱：从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点。

步骤203、对多模态知识图谱进行关系补全：利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边。

步骤204、获取某一糖尿病患者的病理信息和生活方式管理目标信息，找到多模态知识图谱中与病理信息对应的节点作为起点、与生活方式管理目标信息对应的节点作为终点。

例如：某一糖尿病患者的病理信息为血糖高信息，生活方式管理目标信息为血糖值降低至目标值信息，则基于血糖高信息找到多模态知识图谱中与血糖高信息对应的节点作为起点、与血糖值降低至目标值信息对应的节点作为终点。

步骤205、判断起点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第一设定值，若是则将该节点加入起点集合中。

步骤206、判断终点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第二设定值，若是则将该节点加入终点集合中。

步骤207、将起点集合和终点集合做并集处理，在多模态知识图谱中去除并集中未出现的节点。

步骤208、计算去除操作后的多模态知识图谱中起点和终点之间经过除起点和终点外的其他具有连边关系的节点的连边关系值总和，并将多模态知识图谱中连边关系值总和最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理最优路径。

例如：并集中起点为A，终点为D，还存在节点B、节点C，起点A和终点D均与节点B、节点C具有连边关系，则计算起点为A和节点B之间的连边关系值和节点B与终点D的连边关系值的总和，计算起点为A和节点C之间的连边关系值和节点C与终点D的连边关系值的总和，从中找出总和值最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理最优路径。

如图4所示，本实施例还提供一种糖尿病患者生活方式管理路径自动推荐系统，其包括第一获取模块21、构建模块22、补全模块23、第二获取模块24、第一判断模块25、第二判断模块26、处理模块27和推荐模块28。

所述第一获取模块21用于获取与糖尿病患者生活方式管理相关的数据以构成多源异构数据，多源异构数据包括糖尿病患者病理数据和生活方式管理数据，生活方式管理数据包括饮食数据和运动数据。

所述构建模块22用于基于多源异构数据构建糖尿病患者生活方式管理的多模态知识图谱，从多源异构数据中提取出糖尿病患者的不同的特征点和不同的特征点之间的关系，每个不同的特征点作为知识图谱中独立的节点，具有上下位概念关系的特征点归属于具有上位概念的特征点对应的节点中，基于不同的特征点之间的关系构建对应的两个节点之间的连边，其中特征点包括病理数据中的病理特征点和生活方式管理数据中的生活方式管理特征点。

所述补全模块23用于对多模态知识图谱进行关系补全，利用重启随机游走模型基于节点的特征点计算多模态知识图谱中节点对间的链接相似度，从而计算出多模态知识图谱中没有连边关系的两个节点之间的链接相似度，并在链接相似度达到设定值时对没有连边关系的两个节点之间构建连边。

所述第二获取模块24用于获取某一糖尿病患者的病理信息和生活方式管理目标信息，找到多模态知识图谱中与病理信息对应的节点作为起点、与生活方式管理目标信息对应的节点作为终点。

所述第一判断模块25用于判断起点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第一设定值，若是则将该节点加入起点集合中。

所述第二判断模块26用于判断终点与多模态知识图谱中具有连边关系的其他节点中任一节点之间的关系值是否大于第二设定值，若是则将该节点加入终点集合中。

所述处理模块27用于将起点集合和终点集合做并集处理，在多模态知识图谱中去除并集中未出现的节点。

所述推荐模块28用于计算去除操作后的多模态知识图谱中起点和终点之间经过除起点和终点外的其他节点的连边关系值总和，并将多模态知识图谱中连边关系值总和最高的部分提取出来以作为推荐的糖尿病患者的生活方式管理最优路径。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。