中药药对是临床上常用的相对固定的饮片组合,其配伍具有一定规律性。药对挖掘是从众多饮片中找到在某种程度上吻合或制约的饮片组合。找到新药对有利于为方剂的研发提供参考。针对目前药对挖掘准确性不高以及考虑药对属性信息不全面的问题,本文结合自然语言分析技术,针对药对配伍开展研究,取得的创新性研究成果如下:1.针对目前官方公布的药对数据较少的问题,提出采用药对数据扩充的方法增加中医药药对数据集的数量,以使药对挖掘算法获得更好的训练效果。由于采用现有生成对抗网络生成药对文本质量较低,本文提出了分层学习的多奖励文本生成对抗网络药对文本扩充模型。该模型的生成器采用层次结构,利用信息泄露传递给生成器的传递特征向量训练模块,从而提高长文本生成的准确率。同时将关系记忆网络作为分层生成对抗网络的底层训练模块,允许自我注意机制在内存中进行交互从而提升生成器和判别器的表达能力。最后,采用词句奖励机制将判别器判别的反馈信息回传给生成器,用于指导药对数据的生成。通过在真实数据集上进行实验,结果表明所提模型不仅能提高生成药对文本的质量,且模型在时间复杂度方面要优于现有的奖励机制。2.针对目前药对挖掘算法主要使用浅层机器学习而忽略药对深层信息的问题,本文综合考虑了饮片之间的共现信息,对候选药对中饮片的性、味、归经及功效等属性信息进行统计,提出使用知识增强语义表示-深层金字塔卷积神经网络模型进行药对挖掘。该模型能够提取不同饮片在性、味、归经、功效等方面的综合潜在特征,使得药对之间的深层次关联关系得到有效发现。通过在真实数据集上与现有药对挖掘模型进行对比,结果表明本文模型能够进一步提高药对查找的准确率并发现潜在药对。上述研究成果可应用于中医药方剂、药对分析研究、方剂配伍、文本扩充、数据增强、文本多样性生成等应用领域,对于改进和支持各领域具有重要贡献和价值。该论文有图21幅,表9个,参考文献72篇。