跨医疗数据源的网络表示学习算法

摘要

一种跨医疗数据源的网络表示学习算法，包括：S1，生成包括源网络和目标网络的医疗网络数据；S2，从源网络和目标网络随机采样设定数量的节点；S3，得到一个L层的神经网络，并对每一层分别计算源网络和目标网络的结构特征和表达特征，计算源网络和目标网络的网络特征之间的距离损失；S4，得到源网络在L层神经网络的输出，并根据分类损失和距离损失计算损失值，根据反向传播算法更新算法的参数；S5，重复步骤S2‑S4，直至整个算法收敛，使得算法对于疾病分类的准确率在多个迭代内不再上升。有益效果：考虑了不同医院数据源之间数据分布不一致的问题,通过提取网络的结构信息及节点属性信息、最小化特征距离弥补信息损失，有着广阔的应用空间。