融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)研究進(jìn)展

沈希宇，蔡肖紅，曹 慧

山東中醫(yī)藥大學(xué) 智能與信息工程學(xué)院，濟(jì)南 250355

個(gè)性化推薦系統(tǒng)能夠通過對(duì)大量的數(shù)據(jù)進(jìn)行匯總分析，找尋用戶特征，建立匹配機(jī)制，為用戶推薦其可能感興趣的信息。隨著信息社會(huì)的建設(shè)逐步完善，推薦系統(tǒng)已經(jīng)根植于社會(huì)的各行各業(yè)，其中適配于醫(yī)療健康領(lǐng)域的推薦系統(tǒng)正在蓬勃發(fā)展。如推薦用藥、輔助診斷、精準(zhǔn)醫(yī)療、預(yù)測藥物相互作用等[1]，傳統(tǒng)的推薦算法可以分為基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法和混合的推薦算法[2]，但數(shù)據(jù)稀疏性和冷啟動(dòng)問題一直是傳統(tǒng)推薦算法性能的桎梏。以協(xié)同過濾算法為例，所謂數(shù)據(jù)稀疏性是指在數(shù)據(jù)總量中有效數(shù)據(jù)所占比例極小，導(dǎo)致構(gòu)建的用戶（user）-物品（item）矩陣變得稀疏，在進(jìn)行相關(guān)計(jì)算時(shí)，對(duì)結(jié)果的準(zhǔn)確性將產(chǎn)生極大的負(fù)面影響。針對(duì)此類問題常用的解決方案為：一是通過引入上下文聯(lián)系，聯(lián)合評(píng)論信息等多方位的關(guān)聯(lián)數(shù)據(jù)，間接降低矩陣的稀疏程度，從而提高推薦準(zhǔn)確度。二是通過對(duì)數(shù)據(jù)進(jìn)行聚類分析，將數(shù)據(jù)聚成高相似度的幾類，降低數(shù)據(jù)的維度，進(jìn)而提升推薦效果。三是通過結(jié)合深度學(xué)習(xí)挖掘數(shù)據(jù)的隱含特征，從而解決數(shù)據(jù)稀疏性問題。目前學(xué)術(shù)界廣泛運(yùn)用的是結(jié)合深度學(xué)習(xí)的推薦算法，雖然深度學(xué)習(xí)算法可以有效解決數(shù)據(jù)稀疏性的問題，但對(duì)于冷啟動(dòng)問題仍然缺乏有效的應(yīng)對(duì)手段。而且深度學(xué)習(xí)算法通過卷積計(jì)算挖掘數(shù)據(jù)隱含特征，對(duì)于問題本身缺乏有效的可解釋性。醫(yī)療知識(shí)圖譜作為數(shù)據(jù)關(guān)聯(lián)度高且可解釋性良好的技術(shù)手段與推薦系統(tǒng)有著很高的契合度，可以有效解決目前推薦系統(tǒng)所面臨的困難。

本文在將近年來推薦系統(tǒng)的相關(guān)研究進(jìn)行整理歸納的基礎(chǔ)上，對(duì)基于知識(shí)圖譜的推薦系統(tǒng)進(jìn)行深入的研究，主要對(duì)結(jié)合醫(yī)療實(shí)踐的研究成果進(jìn)行梳理分析，最后對(duì)具可行性的未來研究方向進(jìn)行了展望。

1 醫(yī)療知識(shí)圖譜的構(gòu)建

1.1 知識(shí)圖譜的基本定義

知識(shí)圖譜是通過符號(hào)形式構(gòu)建圖模型用來描述物理世界中概念以及其相互關(guān)系的技術(shù)方法，是人工智能領(lǐng)域的下游技術(shù)，本質(zhì)上是異構(gòu)圖。知識(shí)圖譜的概念由谷歌于2012年提出，其前身是語義網(wǎng)，經(jīng)過長時(shí)間的發(fā)展形成了結(jié)構(gòu)化的語義知識(shí)庫，基本組成單位是節(jié)點(diǎn)和邊。節(jié)點(diǎn)可以是實(shí)體，邊可以是實(shí)體的屬性關(guān)系，通常的表現(xiàn)形式沿用了語義網(wǎng)絡(luò)中“頭實(shí)體-關(guān)系-尾實(shí)體”三元組的經(jīng)典設(shè)定，實(shí)體以邊為橋梁相互聯(lián)結(jié)，構(gòu)成的結(jié)構(gòu)知識(shí)呈現(xiàn)網(wǎng)狀，因此也被稱為異構(gòu)信息網(wǎng)絡(luò)，如圖1所示。

圖1 知識(shí)圖譜示例Fig.1 Example of knowledge graphs

按照知識(shí)涵蓋范圍可以將知識(shí)圖譜劃分為通用知識(shí)圖譜和領(lǐng)域知識(shí)圖譜。通用知識(shí)圖譜旨在納入更多實(shí)體類型，內(nèi)容多而雜，且準(zhǔn)確性不足，很難將其實(shí)體和關(guān)系標(biāo)準(zhǔn)化；領(lǐng)域知識(shí)圖譜則是依托于專業(yè)性領(lǐng)域的特定知識(shí)構(gòu)建而成，構(gòu)建三元組的實(shí)體和關(guān)系時(shí)需要統(tǒng)籌兼顧領(lǐng)域內(nèi)獨(dú)特的知識(shí)體系，醫(yī)療知識(shí)圖譜從屬于領(lǐng)域知識(shí)圖譜。

1.2 醫(yī)療知識(shí)圖譜的體系架構(gòu)

醫(yī)療知識(shí)圖譜目前主要的構(gòu)建模式有兩種，即自頂向下與自底向上的構(gòu)建模式。自頂向下的構(gòu)建模式首先構(gòu)建頂部本體層，然后將關(guān)系和概念梳理細(xì)化，再將抽取到的實(shí)體填充到所構(gòu)建的頂層本體中；自底向上的構(gòu)建模式則是先從數(shù)據(jù)源中提取實(shí)體、屬性、類別和關(guān)系，直接合并到知識(shí)圖譜的數(shù)據(jù)層，最后形成頂部模式層。現(xiàn)階段大部分知識(shí)圖譜的構(gòu)建都采用了自底向上的方法。

構(gòu)建醫(yī)療知識(shí)圖譜有利于整合現(xiàn)有知識(shí)，將存在于各處的醫(yī)療學(xué)知識(shí)轉(zhuǎn)變成計(jì)算機(jī)可讀的程序語言。當(dāng)今正處醫(yī)療數(shù)據(jù)飛速積累的時(shí)代，醫(yī)療知識(shí)不僅存儲(chǔ)于病例文本、住院表格等非結(jié)構(gòu)化文本中，還在期刊文獻(xiàn)、互聯(lián)網(wǎng)資源等結(jié)構(gòu)化數(shù)據(jù)中大量存在。醫(yī)療知識(shí)圖譜構(gòu)建的關(guān)鍵技術(shù)流程如圖2所示。

圖2 醫(yī)療知識(shí)圖譜架構(gòu)流程圖Fig.2 Flow chart of medical knowledge graph architecture

醫(yī)療知識(shí)圖譜的構(gòu)建流程由醫(yī)療知識(shí)抽取、醫(yī)療知識(shí)融合和醫(yī)療知識(shí)加工三個(gè)主要模塊組成。醫(yī)療知識(shí)抽取包含實(shí)體抽取、關(guān)系抽取和屬性抽取，通過從海量的結(jié)構(gòu)化、半結(jié)構(gòu)化和無結(jié)構(gòu)化的醫(yī)療數(shù)據(jù)源中提煉出實(shí)體、關(guān)系和屬性等要素存儲(chǔ)在醫(yī)療知識(shí)圖譜中。醫(yī)療知識(shí)融合可消除實(shí)體、關(guān)系、屬性等概念項(xiàng)與事實(shí)對(duì)象之間的歧義，使不同來源的知識(shí)能夠得到規(guī)范化整合、消歧和加工，并可以保證醫(yī)療知識(shí)圖譜能夠循環(huán)更新和補(bǔ)足缺失的知識(shí)。醫(yī)療知識(shí)加工包括本體構(gòu)建、知識(shí)推理和質(zhì)量評(píng)估。本體構(gòu)建是對(duì)已構(gòu)建好的數(shù)據(jù)層進(jìn)行概念抽象，即構(gòu)建知識(shí)圖譜的頂層關(guān)系本體；知識(shí)推理是推斷出尚未明確的實(shí)體關(guān)系，自動(dòng)完成疾病診斷與治療；質(zhì)量評(píng)估是通過對(duì)已有知識(shí)的可信度進(jìn)行量化評(píng)估，篩選出置信度高的知識(shí)，保持知識(shí)圖譜的精準(zhǔn)性。

2 推薦系統(tǒng)的發(fā)展

自互聯(lián)網(wǎng)興起以來，網(wǎng)絡(luò)上積累的數(shù)據(jù)信息極速增長。冗余的數(shù)據(jù)中蘊(yùn)含著寶貴的價(jià)值，但卻很難被開發(fā)出來其應(yīng)有的價(jià)值。推薦系統(tǒng)作為幫助人們利用冗余數(shù)據(jù)，開發(fā)數(shù)據(jù)價(jià)值的有效手段，是推動(dòng)整個(gè)互聯(lián)網(wǎng)發(fā)展的核心動(dòng)力。對(duì)于用戶來說推薦系統(tǒng)所面臨的問題可以簡化為如何針對(duì)特定場景下的用戶在眾多候選可能中為其預(yù)測并推薦可能感興趣的事物，在需要應(yīng)用到推薦的場景中多數(shù)用戶都存在需求不明確的情況。與傳統(tǒng)的搜索引擎不同，推薦系統(tǒng)通常會(huì)結(jié)合用戶歷史信息和標(biāo)簽預(yù)測用戶的需求，當(dāng)用戶歷史信息缺失時(shí)則需要利用其他相似用戶的信息來交替比較。

2.1 推薦系統(tǒng)的架構(gòu)

作為介紹推薦系統(tǒng)的前提，如下概念在推薦系統(tǒng)中起著基石作用：用戶信息是與用戶相關(guān)的各種信息，例如歷史瀏覽行為、用戶關(guān)系網(wǎng)絡(luò)等；物品信息是各個(gè)推薦場景中所涉及到的不同推薦客體，例如醫(yī)藥、疾病、新聞、電影等；場景信息是在具體的推薦場景中，對(duì)用戶決定起到輔助作用的信息，例如時(shí)間、地點(diǎn)、用戶所處狀態(tài)等。推薦系統(tǒng)的主體是由用戶信息、物品信息、場景信息共同構(gòu)建的預(yù)測函數(shù)模型。

推薦系統(tǒng)的邏輯架構(gòu)可以簡單地理解為在用戶和龐雜的選擇之間樹立起的過濾網(wǎng)，如圖3所示。

圖3 推薦系統(tǒng)邏輯架構(gòu)流程圖Fig.3 Flow chart of Recommended system logic architecture

在實(shí)際的推薦系統(tǒng)中，數(shù)據(jù)處理和構(gòu)建算法模型尤為重要。數(shù)據(jù)處理需要對(duì)冗余的數(shù)據(jù)進(jìn)行過濾，包括數(shù)據(jù)的收集、存儲(chǔ)、加工、分類、歸并、計(jì)算、排序、轉(zhuǎn)換、檢索和傳播，以此獲取推薦系統(tǒng)所需要的用戶、物品、場景信息。

獲得的信息送往預(yù)測模型之前還需要對(duì)信息進(jìn)行特征工程的處理，提取出可以表達(dá)問題本質(zhì)的特征，有助于提高模型的精準(zhǔn)度；構(gòu)建預(yù)測模型的過程一般包括召回層，排序?qū)雍脱a(bǔ)充排序?qū)印Ｕ倩貙拥淖饔檬抢酶咝У恼倩厮惴Ｐ涂焖賹?duì)海量候選物品進(jìn)行初篩，過濾掉無用的候選物品，召回用戶可能感興趣的物品；排序?qū)幼鳛橥扑]算法的主體是最為重要的部分，推薦結(jié)果的精確性主要由排序算法對(duì)初篩的候選物品進(jìn)行精確排序來體現(xiàn)；補(bǔ)充排序?qū)邮菍?duì)用戶返回推薦結(jié)果之前的查漏補(bǔ)缺，結(jié)合環(huán)境信息對(duì)用戶的推薦結(jié)果進(jìn)行的微調(diào)，為用戶呈現(xiàn)最終的推薦結(jié)果。

2.2 推薦模型的演化

自推薦系統(tǒng)應(yīng)用于商業(yè)以來，推薦系統(tǒng)出現(xiàn)了井噴式的發(fā)展，從開始的協(xié)同過濾模型（collaborative filtering，CF）[3]、邏輯回歸模型（logistics regression，LR）[4]，逐步進(jìn)化完善到了因子分解機(jī)模型（factorization machine，F(xiàn)M）[5]、梯度提升決策樹的組合模型（gradient boosting decision tree，GBDT）[6-7]。直到2012年AlexNet[8]的提出，深度學(xué)習(xí)憑借其強(qiáng)大的表達(dá)能力和靈活性的浪潮席卷學(xué)術(shù)界，基于深度學(xué)習(xí)的模型架構(gòu)百家爭鳴，推薦模型步入了組合模型的階段，基本拋棄了單一模型的框架。

雖然基于深度學(xué)習(xí)的模型對(duì)冷啟動(dòng)和數(shù)據(jù)稀疏性問題做出了很大改善，但是其對(duì)特征處理的弱解釋性仍是推薦系統(tǒng)的短板之一。

2.3 小結(jié)

在推薦系統(tǒng)的早期發(fā)展階段，研究者專注于僅憑借用戶歷史交互信息向目標(biāo)用戶推薦相似的用戶或物品，例如協(xié)同過濾、邏輯回歸模型、因式分解機(jī)、矩陣分解技術(shù)等。該類方法的關(guān)鍵問題在于如何提取用戶和物品的特征來計(jì)算它們的相似性。

隨著神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn)，許多方法將基于相似性的方法擴(kuò)展到神經(jīng)網(wǎng)絡(luò)，為自動(dòng)提取用戶和推薦物品的潛在特征提供了一種更有效的機(jī)制。然而，該類方法仍然受到數(shù)據(jù)稀疏問題和冷啟動(dòng)問題的困擾。傳統(tǒng)推薦模型的優(yōu)勢及局限性總結(jié)見表1[3-10]。基于內(nèi)容的方法通過引入各種輔助信息來處理問題，例如上下文評(píng)論、場景信息和知識(shí)圖譜。引入輔助信息的優(yōu)點(diǎn)是提高了推薦結(jié)果的可解釋性。在輔助信息中，知識(shí)圖譜由于其良好定義的結(jié)構(gòu)和充足的資源，在推薦方面顯示出巨大的潛力。

表1 傳統(tǒng)推薦模型的主要優(yōu)勢及局限性Table 1 Main advantages and limitations of traditional recommendation models

3 融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)

知識(shí)圖譜作為數(shù)據(jù)關(guān)聯(lián)度高且可解釋性良好的技術(shù)方法與推薦系統(tǒng)有著很高的契合度，可以有效解決目前推薦系統(tǒng)在醫(yī)療領(lǐng)域所面臨的困難。醫(yī)療知識(shí)圖譜為item（疾病、藥品等）引入了更多的語義特征，可以更深層次的挖掘患者需求。隨著輔助信息的加入，數(shù)據(jù)稀疏和冷啟動(dòng)的問題可以得到有效的緩解，進(jìn)而提高模型效能。而且融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)可解釋性強(qiáng)，連接患者的病歷記錄和推薦結(jié)果，從而提高患者對(duì)推薦結(jié)果的滿意度和接受度，能按照符合人類認(rèn)知的推薦路徑進(jìn)行精準(zhǔn)推送，增強(qiáng)患者對(duì)推薦系統(tǒng)的信任。此外，還可以將患者信息和外部信息集成到醫(yī)療知識(shí)圖譜中，更為精準(zhǔn)地捕捉患者和疾病之間的關(guān)系以及患者的偏好。

目前大多數(shù)基于知識(shí)圖譜的推薦模型都基于三種模式：依次學(xué)習(xí)、聯(lián)合學(xué)習(xí)和交替學(xué)習(xí)，如圖4所示。

圖4 知識(shí)圖譜應(yīng)用于推薦系統(tǒng)的三種模式Fig.4 Three modes of knowledge graph application in recommendation system

依次學(xué)習(xí)是指先使用知識(shí)圖譜進(jìn)行特征學(xué)習(xí)，從而得到實(shí)體和關(guān)系的低維向量，然后將這些低維向量引入推薦系統(tǒng)再做后面的處理。也就是只把知識(shí)圖譜作為一個(gè)特征的處理方式，兩個(gè)模塊依次進(jìn)行學(xué)習(xí)。聯(lián)合學(xué)習(xí)是指知識(shí)圖譜特征學(xué)習(xí)模塊和推薦算法模塊的目標(biāo)函數(shù)，然后再使用端到端的方法進(jìn)行聯(lián)合學(xué)習(xí)。將因?yàn)檫M(jìn)行知識(shí)圖譜嵌入而降維的損失也納入到最后的損失函數(shù)中進(jìn)行聯(lián)合訓(xùn)練。交替學(xué)習(xí)是將知識(shí)圖譜特征學(xué)習(xí)模塊和推薦算法模塊視為兩個(gè)分離但關(guān)聯(lián)的模塊，使用多任務(wù)學(xué)習(xí)的框架進(jìn)行交替學(xué)習(xí)。這樣的做法兼顧了兩者的優(yōu)點(diǎn)，使得知識(shí)圖譜和推薦系統(tǒng)兩個(gè)模塊可以更深入地進(jìn)行結(jié)合。

現(xiàn)階段基于醫(yī)療知識(shí)圖譜的推薦模型大多都是以傳統(tǒng)推薦模型為根基，將醫(yī)療知識(shí)圖譜中關(guān)于患者和疾病等實(shí)體的結(jié)構(gòu)化知識(shí)引入到推薦模型中充當(dāng)輔助信息，用來改善傳統(tǒng)推薦模型中數(shù)據(jù)稀疏和冷啟動(dòng)的問題，除此之外也存在利用醫(yī)療知識(shí)圖譜本身結(jié)構(gòu)特點(diǎn)來優(yōu)化結(jié)果的推薦模型。根據(jù)算法實(shí)現(xiàn)原理以及利用醫(yī)療知識(shí)圖譜信息結(jié)構(gòu)的不同，可以將現(xiàn)有基于醫(yī)療知識(shí)圖譜的推薦模型分為三種：基于嵌入的方法Emb（embedding-based）、基于路徑的方法Path（path-based）和融合的方法Uni（unified-based）。

融合知識(shí)圖譜的推薦系統(tǒng)是一個(gè)研究較為成熟、快速發(fā)展的領(lǐng)域，擁有廣泛的應(yīng)用前景，不僅限于醫(yī)療領(lǐng)域，在影視、書籍、音樂、電子商務(wù)等領(lǐng)域也大放光彩。通過整理經(jīng)典綜述文獻(xiàn)和代表性的工作，將基于知識(shí)圖譜的多領(lǐng)域經(jīng)典推薦模型匯總見表2[11-36]。

表2 基于知識(shí)圖譜的多領(lǐng)域經(jīng)典推薦模型匯總Table 2 Summary of multi-domain classic recommendation models based on knowledge graph

3.1 基于路徑的方法（path-based）

基于路徑的方法通過構(gòu)建用戶和物品的異構(gòu)信息網(wǎng)絡(luò)，計(jì)算實(shí)體連接路徑之間的連通性和相似性，從而實(shí)現(xiàn)不同語義角度的推薦。該方法充分且直觀地利用了知識(shí)圖譜的網(wǎng)絡(luò)結(jié)構(gòu)，引入了基于元路徑相似性的概念，不僅使用戶和物品間的多元關(guān)系被高效利用，而且還增強(qiáng)了推薦算法的可解釋性。基于路徑的方法最早被稱為異構(gòu)信息網(wǎng)絡(luò)（hetegeneous information network，HⅠN）中的推薦方法。異構(gòu)信息網(wǎng)絡(luò)由于包含多類實(shí)體和連接關(guān)系，在復(fù)雜多元異構(gòu)的數(shù)據(jù)環(huán)境下的建模能力出眾，因此被廣泛應(yīng)用于推薦系統(tǒng)中。

基于路徑的方法早期通過與傳統(tǒng)的推薦算法相結(jié)合顯著提高了推薦效果的準(zhǔn)確性。Yu等人[11]在2013年提出的Hete-MF模型采用基于矩陣分解的推薦框架，使用異構(gòu)信息網(wǎng)絡(luò)將用戶評(píng)級(jí)與實(shí)體相似性矩陣結(jié)合起來，通過提取不同的元路徑并計(jì)算每個(gè)路徑中的物品相似度進(jìn)行推薦。由于該模型缺乏對(duì)用戶的動(dòng)機(jī)、興趣等外部信息的利用，存在推薦不精準(zhǔn)的明顯弊端，該團(tuán)隊(duì)于2013 年提出的Hete-Rec 模型[37]利用元路徑的相似性完善用戶-物品交互矩陣，從而可以提取用戶和物品更為全面的特征信息。該團(tuán)隊(duì)在后續(xù)推出的HeteRec-p模型[12]中進(jìn)一步考慮了不同元路徑對(duì)于不同用戶的重要性，該模型通過基于元路徑的遍歷方法進(jìn)行特征提取，充分利用了用戶與物品以及物品與物品之間的關(guān)系，首先根據(jù)用戶過去的行為將用戶分組，并利用聚類信息生成個(gè)性化推薦，然后根據(jù)用戶的不同提供基于用戶-物品隱式交互的高質(zhì)量推薦。但其對(duì)于隱式反饋沒有細(xì)致的區(qū)分，只是籠統(tǒng)地劃分為正反饋和負(fù)反饋，這將會(huì)導(dǎo)致模型的性能下降。在經(jīng)典的協(xié)同過濾算法基礎(chǔ)上，Luo等人[38]提出的Hete-CF模型通過將用戶-用戶、物品-物品和用戶-物品的相似度作為正則化項(xiàng)，查找用戶對(duì)未分級(jí)物品的相似度，對(duì)于解決異構(gòu)社交網(wǎng)絡(luò)上的推薦問題起到了良好的效果。

3.1.1 結(jié)合醫(yī)療實(shí)踐的基于路徑的方法

在與醫(yī)療實(shí)踐結(jié)合后，推薦系統(tǒng)不僅包含簡單的用戶-物品的關(guān)系問題，還需要遵循生物學(xué)合理假設(shè)的研究方向。傳統(tǒng)用藥推薦是由醫(yī)生根據(jù)豐富的經(jīng)驗(yàn)配合臨床指南定義的基于規(guī)則模板匹配的推薦，對(duì)于特定診斷的非特異化醫(yī)學(xué)推薦可能是有效的，但是對(duì)于復(fù)雜患者的私人訂制推薦作用有限。Wang等人[39]提出的SⅠET（star interactive enhanced-based transformer）模型利用基于元路徑的方法從基于電子病歷和醫(yī)學(xué)知識(shí)圖的大型異構(gòu)網(wǎng)絡(luò)中構(gòu)造出疾病同質(zhì)圖，藥物同質(zhì)圖和副作用同質(zhì)圖，然后將疾病、藥物、副作用三個(gè)實(shí)體序列向量投射到低維稠密向量空間中，最后通過計(jì)算疾病表征和藥物表征向量之間的余弦相似度得到推薦藥物列表。其優(yōu)點(diǎn)是利用了注意力機(jī)制增強(qiáng)了嵌入向量的表示，提高了推薦的精準(zhǔn)性，缺點(diǎn)則是增加的參數(shù)需要更多的計(jì)算資源，推薦效率有所下降。

藥物重定位是一種將現(xiàn)有藥物用于治療新的適應(yīng)癥的藥物發(fā)現(xiàn)方式。相較于傳統(tǒng)的新藥開發(fā)，可以有效縮短藥物研發(fā)周期，降低成本，規(guī)避風(fēng)險(xiǎn)。Nam 等人[40]針對(duì)藥物重定位問題提出KGE-CLASH模型，引入額外的知識(shí)充當(dāng)輔助信息，改善數(shù)據(jù)稀疏性問題，同時(shí)利用調(diào)和函數(shù)進(jìn)行標(biāo)簽傳播，所得藥物評(píng)分用來推薦。該模型的不足之處是需要專業(yè)人員結(jié)合領(lǐng)域知識(shí)來定義元路徑的類型和數(shù)量。Zhao 等人[41]提出的通用臨床決策支持方法使用醫(yī)學(xué)知識(shí)網(wǎng)絡(luò)（EMR-based medical knowledge network，EMKN）將問題描述為一個(gè)馬爾可夫決策過程（Markov random field，MRF），可以來推理癥狀-疾病之間的合理路徑，通過為實(shí)體關(guān)系匹配相應(yīng)的能量函數(shù)，一定程度上解決了先前方法需要手動(dòng)定義元路徑的問題。

與推薦系統(tǒng)中的數(shù)據(jù)稀疏性類似，醫(yī)學(xué)異構(gòu)圖遵循長尾分布，長尾實(shí)體只和某些實(shí)體交互，因此推薦系統(tǒng)無法統(tǒng)籌全局信息。Lan等人[42]針對(duì)醫(yī)學(xué)知識(shí)圖譜實(shí)體和路徑的稀疏性問題，通過BERT（bidirectional encoder representation from transformers）的預(yù)訓(xùn)練模型對(duì)實(shí)體和路徑文本語句進(jìn)行編碼，以增強(qiáng)實(shí)體和路徑的嵌入，同時(shí)加入了注意機(jī)制用于組合多條路徑的語義特征，在解決了數(shù)據(jù)稀疏性問題的同時(shí)，大量的BERT參數(shù)會(huì)減慢模型訓(xùn)練和收斂的速度，導(dǎo)致模型需要更多的時(shí)間成本。

3.1.2 小結(jié)

基于路徑的方法通常將協(xié)同過濾、矩陣分解等傳統(tǒng)推薦算法與異構(gòu)信息網(wǎng)絡(luò)中提取的元路徑相結(jié)合。該類方法利用路徑連通性規(guī)范和豐富用戶-物品表示，缺點(diǎn)是通常需要領(lǐng)域知識(shí)來定義元路徑的類型和數(shù)量，導(dǎo)致信息浪費(fèi)和增加非必要的計(jì)算開銷。隨著深度學(xué)習(xí)技術(shù)與醫(yī)療實(shí)踐的深入結(jié)合，該類方法將路徑嵌入進(jìn)行顯式編碼，可以通過連接癥狀-藥物的最顯著路徑生成推薦結(jié)果。基于路徑的方法自然地將可解釋性引入到推薦過程中，推薦結(jié)果可以從預(yù)定義的元路徑中找到參考。實(shí)現(xiàn)元路徑選擇的自動(dòng)化是未來的發(fā)展方向，例如利用深度學(xué)習(xí)模型自動(dòng)挖掘疾病-藥物的顯著路徑，從而在圖中反映推薦過程。基于路徑的推薦算法特點(diǎn)及其局限性總結(jié)見表3。

表3 基于路徑的推薦算法特點(diǎn)及其局限性Table 3 Characteristics and limitations of path-based recommendation algorithm

3.2 基于嵌入的方法（embedding-based）

與基于路徑的方法不同，基于嵌入的方法用知識(shí)圖譜作為輔助信息，豐富item或user的表示。為了充分利用知識(shí)圖譜的信息，該類方法需要采用知識(shí)圖譜嵌入（knowledge graph embedding，KGE）算法將知識(shí)圖譜中包括實(shí)體和關(guān)系的三元組映射到低維連續(xù)的向量空間，保留知識(shí)圖譜結(jié)構(gòu)的同時(shí)，使其蘊(yùn)含更多的潛在語義信息，更容易被計(jì)算機(jī)理解和操作。知識(shí)圖譜嵌入的方法主要可以分為轉(zhuǎn)移距離模型（translational distance）方法和語義匹配模型（semantic matching）方法兩種，前者是利用基于距離的評(píng)分函數(shù)，學(xué)習(xí)從頭實(shí)體到尾實(shí)體的空間關(guān)系變換（TransE[43]、TransR[44]等系列模型），后者則是通過基于相似性的評(píng)分函數(shù)，直接運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)語義相似度進(jìn)行計(jì)算（RESCAL[45]、DistMult[46]等模型）。

基于嵌入的方法早期通過利用KGE算法處理過的原始嵌入向量進(jìn)行推薦。Zhang等人[20]提出CKE（collaborative knowledge base embedding）模型，針對(duì)之前方法只利用知識(shí)圖譜的單一結(jié)構(gòu)信息而忽略了其他重要信息的缺陷，整合了包括外部知識(shí)圖譜、文本、圖像等外部信息，完善了實(shí)體的結(jié)構(gòu)化信息向量，形成了物品的潛在向量表示。該模型的不足之處在于忽略了知識(shí)圖譜內(nèi)的實(shí)體之間的關(guān)系信息；用戶嵌入向量無法得到及時(shí)更新；增加的輔助信息涵蓋多個(gè)方面，但卻缺少權(quán)重的劃分，這將會(huì)對(duì)實(shí)際推薦結(jié)果產(chǎn)生不利影響。

Wang 等人[21]提出的DKN（deep knowledge-aware network）模型針對(duì)上述方法的不足之處，使用結(jié)合了知識(shí)圖譜的卷積網(wǎng)絡(luò)KCNN（knowledge-aware convolutional neural network）[47]將新聞的語義信息與知識(shí)圖譜融合起來形成全新的嵌入向量。為了捕捉用戶對(duì)新聞的動(dòng)態(tài)興趣，該模型通過加入注意力機(jī)制，對(duì)候選推薦的權(quán)重進(jìn)行了分配。雖然DKN模型在用戶歷史交互的信息基礎(chǔ)上，將知識(shí)圖譜作為衡量用戶偏好的尺度，但卻只選取了相鄰用戶的聯(lián)系作為上下文信息，完全沒有利用到知識(shí)圖譜內(nèi)的關(guān)系信息。在此基礎(chǔ)上該團(tuán)隊(duì)提出了MKR（multi-task feature learning approach for knowledge graph enhanced recommendation）模型[23]將推薦問題精確地建模為多任務(wù)學(xué)習(xí)（multi-task learning）。該模型由推薦模塊和KGE 模塊組成，通過前者學(xué)習(xí)獲得用戶和物品的潛在表示，而后者利用語義匹配的KGE模型學(xué)習(xí)獲得物品關(guān)聯(lián)實(shí)體的向量表示，如圖5 所示。這兩個(gè)部分通過一個(gè)交叉壓縮單元連接起來相互傳遞知識(shí)，共享推薦模塊中物品和知識(shí)圖譜中實(shí)體的規(guī)則化，進(jìn)一步避免了出現(xiàn)擬合噪聲和提高了模型泛化能力。

圖5 MKR模型結(jié)構(gòu)示意圖Fig.5 Schematic diagram of MKR model structure

3.2.1 結(jié)合醫(yī)療實(shí)踐的基于嵌入的方法

藥物-靶標(biāo)相互作用（drug-target interaction，DTⅠ）在藥物開發(fā)中起著至關(guān)重要的作用，例如藥物重定位和預(yù)測藥物副作用。除此之外，當(dāng)針對(duì)復(fù)雜疾病識(shí)別出新的蛋白質(zhì)靶標(biāo)時(shí)，也需要進(jìn)行DTⅠ預(yù)測，同時(shí)需要闡明具有已知治療效果的藥物分子機(jī)制。這個(gè)問題類似于推薦系統(tǒng)的冷啟動(dòng)問題，是DTⅠ預(yù)測在實(shí)際應(yīng)用中的嚴(yán)重限制因素。Ye 等人[48]提出的KGE-NFM（knowledge graph embedding-neural factorization machine）模型在DTⅠ領(lǐng)域通過語義匹配KGE進(jìn)行實(shí)體和關(guān)系嵌入，將所得的低維向量作為輔助信息結(jié)合神經(jīng)因子分解機(jī)NFM（neural factorization machines）得到最終的推薦結(jié)果，雖然該方法緩解了DTⅠ中的冷啟動(dòng)問題，但其框架結(jié)構(gòu)相對(duì)簡單，且對(duì)參數(shù)的調(diào)整很敏感，因此不便于部署在實(shí)際應(yīng)用中。而Shang 等人[49]提出的GAMENet（graph augmented memory network）模型則將藥物建模為實(shí)體節(jié)點(diǎn)，將藥物相互作用建模為關(guān)系鏈接，通過結(jié)合外部記憶組件，不僅提高了推薦的精準(zhǔn)度還便于部署，增強(qiáng)了其在臨床實(shí)踐中的實(shí)用性。

自新冠病毒肺炎疫情發(fā)生以來，由于傳統(tǒng)藥物研發(fā)周期長，藥物重定位成為新冠肺炎藥物研發(fā)的主要策略。藥物重定位具有高效、低成本的特點(diǎn)，尤其是在突發(fā)性疾病和罕見病方面優(yōu)勢更加突出。Zeng 等人[50]提出的CoV-KGE（coronavirus-knowledge graph embedding）模型通過利用亞馬遜開源知識(shí)圖譜進(jìn)行KGE從而獲得低維向量表示。CoV-KGE根據(jù)候選藥物的推薦預(yù)測得分進(jìn)行藥物重定位，快速識(shí)別可重新用于新冠肺炎潛在治療的藥物。然而該模型因?yàn)榇嬖跀?shù)據(jù)噪聲較大以及忽略權(quán)重分配等問題，所以模型的性能欠佳，推薦準(zhǔn)確率較低。Jin 等人[51]提出的KG-ASMGNN（KGenhanced attentive multi graph neural network）模型針對(duì)之前方法的不足，將草藥推薦問題類比推理為一個(gè)多標(biāo)簽分類任務(wù)，除了利用中醫(yī)藥知識(shí)圖譜進(jìn)行KGE 嵌入生成癥狀和草藥的向量表示，還加入了基于注意力的多層感知機(jī)（multilayer perceptron，MLP）對(duì)癥狀-草藥的映射進(jìn)行了細(xì)顆粒度的劃分，確定了不同癥狀的權(quán)重，提高了推薦系統(tǒng)的可靠性。但由于中醫(yī)實(shí)體之間有著復(fù)雜相關(guān)性，推薦效率仍有待提高。

耐藥性是一種復(fù)雜的生物學(xué)現(xiàn)象，阻礙了癌癥治療的可持續(xù)發(fā)展。尋找耐藥性關(guān)鍵基因的常見策略是全基因組篩選。Gogleva等人[52]提出的Skywalk-R模型，將全基因組篩選問題適配為推薦領(lǐng)域的多目標(biāo)優(yōu)化問題用于尋找耐藥性的關(guān)鍵基因，其中KGE 學(xué)習(xí)獲得的向量作為圖形衍生特征被納入推薦系統(tǒng)，提高了推薦結(jié)果的準(zhǔn)確性。但與傳統(tǒng)的推薦系統(tǒng)不同，Skywalk-R 無法依靠用戶反饋來逐步評(píng)估和改進(jìn)預(yù)測，因此驗(yàn)證實(shí)驗(yàn)成本高且耗時(shí)長。

基于電子病歷（electronic medical record system，EMRs）的藥物推薦系統(tǒng)在很大程度上可以幫助醫(yī)生做出更好的臨床決策，但是由于電子病歷中缺乏醫(yī)學(xué)專家的知識(shí)，推薦系統(tǒng)很難將準(zhǔn)確的醫(yī)療事實(shí)與合適的處方相關(guān)聯(lián)，降低了最終的推薦結(jié)果對(duì)于病情復(fù)雜的患者可信度。在基于電子病歷的藥物推薦系統(tǒng)中使用醫(yī)學(xué)知識(shí)圖譜，可使推薦系統(tǒng)能夠?yàn)樘厥饣颊咛峁┻m當(dāng)?shù)奶幏健ong 等人[53]提出的SMR（safe medicine recommendation）模型把推薦用藥問題轉(zhuǎn)換為預(yù)測患者與藥物之間連接的問題，通過從電子病歷和醫(yī)學(xué)知識(shí)圖中構(gòu)建大型異構(gòu)圖，利用TransR方法構(gòu)建特定關(guān)系矩陣，橋接的不同向量空間中的實(shí)體和關(guān)系對(duì)患者進(jìn)行建模，并最小化潛在的藥物不良反應(yīng)做出安全用藥的建議。但由于模型結(jié)構(gòu)過于復(fù)雜，很難在臨床實(shí)踐中部署。

現(xiàn)有的方法多數(shù)都是假設(shè)知識(shí)圖譜是完整的，因?yàn)椴煌暾挠?xùn)練數(shù)據(jù)集會(huì)對(duì)推薦系統(tǒng)的性能產(chǎn)生不利影響。Cao 等人[24]提出的K-TUP（knowledge-enhanced translation-based user preference）模型針對(duì)知識(shí)圖譜不完整的問題，通過利用轉(zhuǎn)移距離模型TransH[44]將知識(shí)圖譜補(bǔ)全任務(wù)和推薦任務(wù)聯(lián)合部署在同一模型中，實(shí)現(xiàn)了兩任務(wù)的相互增強(qiáng)。在此基礎(chǔ)上Sousa等人[54]通過把知識(shí)圖譜作為BiOnt模型[55]的外部實(shí)體信息進(jìn)行生物醫(yī)學(xué)關(guān)系提取，再結(jié)合K-TUP[24]補(bǔ)全了生物醫(yī)學(xué)實(shí)體之間的關(guān)系，提高了推薦的準(zhǔn)確度。

3.2.2 小結(jié)

基于嵌入的方法不僅將知識(shí)圖譜中的實(shí)體和關(guān)系映射到低維向量，還保留了原有的結(jié)構(gòu)或語義信息，對(duì)解決基于路徑的方法中依賴元路徑設(shè)計(jì)、忽視語義關(guān)系的問題起到了重要的作用。但是該類方法對(duì)于知識(shí)圖譜中的多跳關(guān)系缺乏合理的運(yùn)用，致使部分推薦結(jié)果的可解釋性降低。在與醫(yī)療實(shí)踐結(jié)合后，基于嵌入的方法構(gòu)建醫(yī)療知識(shí)圖譜時(shí)常使用多種類型的邊信息豐富醫(yī)療實(shí)體的表示，并且采用邊信息可以更精確地對(duì)患者的表示進(jìn)行建模。另外，采用多任務(wù)學(xué)習(xí)策略將推薦模塊與醫(yī)療異構(gòu)圖相關(guān)任務(wù)進(jìn)行聯(lián)合訓(xùn)練，也可以進(jìn)一步提高推薦的質(zhì)量。基于嵌入的推薦算法的優(yōu)勢及局限性總結(jié)見表4。

表4 基于嵌入的推薦算法特點(diǎn)及其局限性Table4 Characteristics and limitations of recommendation algorithm based on embedding

3.3 基于融合的方法（unified-based）

基于路徑的方法使用預(yù)定義的元路徑作為連通性信息進(jìn)行推薦，基于嵌入的方法利用知識(shí)圖譜中用戶-物品的嵌入向量表示進(jìn)行推薦，這兩種方法只利用了知識(shí)圖譜的部分信息。為了充分挖掘知識(shí)圖譜中蘊(yùn)含的信息，基于融合的方法被提出。該方法采用嵌入傳播的思想，將實(shí)體和關(guān)系的嵌入向量表示和連通性信息結(jié)合起來，以知識(shí)圖譜中的連接結(jié)構(gòu)為指導(dǎo)，能夠?qū)W習(xí)獲得到更為全面的信息表示。

Wang等人[29]提出的RippleNet模型首次將基于嵌入和基于路徑的方法結(jié)合起來，通過引入偏好傳播思想克服了現(xiàn)有推薦方法的局限性。RippleNet借鑒水波紋的傳播原理，以用戶感興趣的物品為原點(diǎn)，在知識(shí)圖譜上逐層向外擴(kuò)散，實(shí)現(xiàn)消息的傳遞。雖然RippleNet 開創(chuàng)性地提出了基于融合的方法，通過偏好傳播方法自然地將KGE 方法融入到推薦系統(tǒng)中，并且不需要人工設(shè)計(jì)元路徑，但仍存在著計(jì)算量冗余，忽視關(guān)系側(cè)重點(diǎn)等缺點(diǎn)。該團(tuán)隊(duì)后續(xù)提出的KGCN（knowledge graph convolutional network）模型[33]和KGCN-LS（KGCN-label smoothness）模型[56]改善了這些問題。KGCN 通過將候選項(xiàng)的鄰居項(xiàng)到其本身的路徑嵌入到知識(shí)圖譜中，利用鄰居向量來擴(kuò)充當(dāng)前實(shí)體的向量表示，更好地捕捉局部鄰域信息和考慮鄰居節(jié)點(diǎn)權(quán)重實(shí)現(xiàn)推薦結(jié)果的優(yōu)化。KGCN-LS則是在KGCN模型上進(jìn)一步增加了標(biāo)簽平滑機(jī)制（label smoothness，LS）。LS 通過提取用戶交互信息，在知識(shí)圖譜上傳播用戶交互標(biāo)簽，從而指導(dǎo)學(xué)習(xí)過程，可以獲得候選項(xiàng)的綜合表示。除此之外，Wang 等人[57]在RippleNet 模型的基礎(chǔ)上進(jìn)行改進(jìn)，提出了Ripp-MKR模型，結(jié)合了RippleNet[29]的偏好傳播思想和MKR模型[23]的交叉訓(xùn)練思想，解決了之前方法因更關(guān)注用戶-物品交互矩陣而忽略了知識(shí)圖譜中關(guān)鍵結(jié)構(gòu)信息的問題。

3.3.1 結(jié)合醫(yī)療實(shí)踐的基于融合的方法

圖卷積網(wǎng)絡(luò)（graph convolutional network，GCN）不僅可以在圖中歸納節(jié)點(diǎn)和邊的信息表示，還能夠高效處理不同實(shí)體之間具有豐富關(guān)系信息的任務(wù)，因此受到學(xué)術(shù)界廣泛的關(guān)注。然而將原始GCN擴(kuò)展到醫(yī)學(xué)知識(shí)圖譜的過程中存在著如下問題：（1）最初的GCN是為同構(gòu)圖設(shè)計(jì)的，在同構(gòu)圖中，所有節(jié)點(diǎn)都是相同的類型，并且具有相同的功能名稱，而醫(yī)學(xué)知識(shí)圖譜多為異構(gòu)圖且具有多種類型的節(jié)點(diǎn)，無法直接適配GNN。（2）在醫(yī)療場景中的特征矩陣中通常有許多缺失值，而原始GCN無法處理節(jié)點(diǎn)特征中存在缺失值的情況。

在與醫(yī)療實(shí)踐結(jié)合后，為了解決上述問題Mao 等人[58]提出的MedGCN（Medicine GCN）模型，創(chuàng)新性地將多個(gè)醫(yī)療實(shí)體之間復(fù)雜的關(guān)聯(lián)融入到異構(gòu)醫(yī)療圖中，通過引入交叉正則化策略，加強(qiáng)了多任務(wù)之間的交互，減少了多任務(wù)訓(xùn)練的過擬合。因?yàn)樵撃Ｐ透觽?cè)重于普適性的應(yīng)用場景，因此針對(duì)特定的推薦場合性能較為普通。Yang 等人[59]提出的KDHR（knowledge-driven herb recommendation）模型將中醫(yī)藥知識(shí)圖譜作為附加的輔助信息，通過GCN 對(duì)癥狀和草藥之間的潛在關(guān)系進(jìn)行建模，并使用多層感知器（MLP）集成從GCN 的每一層獲得的不同層次的信息，以此獲得信息豐富且噪聲較小的節(jié)點(diǎn)特征表示。但因?yàn)橹嗅t(yī)藥知識(shí)圖譜中的草藥類別不平衡導(dǎo)致模型性能無法達(dá)到最優(yōu)。

3.3.2 小結(jié)

基于融合的方法利用嵌入傳播的思想改進(jìn)知識(shí)圖譜中具有多跳鄰居的實(shí)體表示，嵌入傳播是在知識(shí)圖譜中發(fā)現(xiàn)用戶偏好的方法，類似于在基于路徑的方法中發(fā)現(xiàn)元路徑的模式，繼承了基于路徑方法的可解釋性。該類方法一般采用融合GNN 的架構(gòu)，可以自然地將KEG方法融入到推薦系統(tǒng)中。針對(duì)原始GCN適配到醫(yī)學(xué)知識(shí)圖譜領(lǐng)域中存在著的問題，將異構(gòu)圖分解為多個(gè)二部圖或同構(gòu)圖是較為可行的方法。基于融合的推薦算法的優(yōu)勢及局限性總結(jié)見表5。

表5 基于融合的推薦算法特點(diǎn)及其局限性Table 5 Features and limitations of fusion-based recommendation algorithm

4 未來展望

推薦系統(tǒng)的發(fā)展已經(jīng)有三十多年歷史，但是基于知識(shí)圖譜的推薦系統(tǒng)才發(fā)展起步十年左右。隨著深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)的快速涌現(xiàn)，融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)得到了推動(dòng)發(fā)展的動(dòng)力，且有著廣闊的研究空間。本文提出的未來展望方向如下：

多任務(wù)學(xué)習(xí)：知識(shí)圖譜的質(zhì)量決定推薦系統(tǒng)的性能，因此對(duì)于融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)來說醫(yī)療知識(shí)圖譜的鏈路預(yù)測問題是不可忽視的。例如，醫(yī)療知識(shí)圖譜中的實(shí)體關(guān)系若是存在缺失則會(huì)導(dǎo)致患者的偏好可能會(huì)被忽略，并且因?yàn)槿鄙偈聦?shí)關(guān)系，推薦的質(zhì)量可能會(huì)下降。因此將知識(shí)圖譜推理和推薦任務(wù)聯(lián)合部署在同一個(gè)模型中是獲得增強(qiáng)推薦質(zhì)量的有效途徑。另外，多任務(wù)醫(yī)療推薦系統(tǒng)也是智能的、有發(fā)展前景的，可以釋放和減輕醫(yī)療資源緊缺的壓力，使醫(yī)療推薦任務(wù)更加方便和效率。例如，Liu 等人[60]提出的多任務(wù)健康管理推薦系統(tǒng)，不僅通過利用Word2Vec+TransD獲得文本特征向量，同時(shí)還用ResNet（deep residual network）[61]提取醫(yī)學(xué)圖像的特征向量，通過稠密層將提取的特征向量發(fā)生非線性變化得到特征之間的相關(guān)性，然后映射到輸出空間得到稠密向量，提高了推薦系統(tǒng)的穩(wěn)定性。

知識(shí)圖譜嵌入方法（KGE）：根據(jù)評(píng)分函數(shù)的不同，KGE分為翻譯距離模型和語義匹配模型。這兩種類型的KGE 方法被廣泛用于基于知識(shí)圖譜的推薦系統(tǒng)中。然而，在數(shù)據(jù)源、推薦場景和模型架構(gòu)不同的情況下，并沒有研究者系統(tǒng)地梳理應(yīng)該采用哪種特定的KGE 方法。因此，該研究方向需要比較不同KGE 方法在不同條件下的優(yōu)劣勢。

跨領(lǐng)域推薦：近年來關(guān)于跨領(lǐng)域推薦的研究成果層出不窮。例如，通過遷移學(xué)習(xí)技術(shù)，可以將共享資源中相對(duì)豐富的交互數(shù)據(jù)應(yīng)用在目標(biāo)領(lǐng)域中，能夠獲得更優(yōu)質(zhì)的推薦結(jié)果。Zeng 等人[50]先通過利用亞馬遜開源知識(shí)圖譜進(jìn)行KGE 學(xué)習(xí)，然后將獲得低維向量用于藥物重定位中，根據(jù)候選藥物的推薦預(yù)測得分快速識(shí)別可重新用于新冠肺炎潛在治療的藥物。另外，通過在疾病-藥品交互矩陣中加入不同類型的邊信息，可以獲得更好的跨域推薦性能。

5 結(jié)束語

醫(yī)療知識(shí)圖譜本質(zhì)上是一種多源異構(gòu)信息網(wǎng)絡(luò)，作為輔助信息豐富推薦系統(tǒng)的表示，有效解決了傳統(tǒng)推薦系統(tǒng)的數(shù)據(jù)稀疏、可解釋性低和冷啟動(dòng)等問題。本文系統(tǒng)地梳理了國內(nèi)外現(xiàn)有融合醫(yī)療知識(shí)圖譜的推薦系統(tǒng)的相關(guān)文獻(xiàn)，回顧整理了知識(shí)圖譜構(gòu)建和傳統(tǒng)推薦系統(tǒng)的基礎(chǔ)知識(shí)，總結(jié)了基于知識(shí)圖譜的推薦系統(tǒng)的三種方法，重點(diǎn)對(duì)結(jié)合醫(yī)療實(shí)踐的研究成果及其優(yōu)缺點(diǎn)進(jìn)行歸納總結(jié)，最后對(duì)具可行性的未來研究方向進(jìn)行了展望。