传统中医学是世界医学的重要组成部分,辨证施治是中医临床的基本原则,是理论与实际相结合的体现。研究辨证施治的原理就是探究中医的症状-证候-药物的内在联系。目前,由于患者临床症状的多样性、复杂性和医生诊疗经验的差异性,给临床辨证的准确把握带来了严峻挑战。同时由于多种辨证流派的诊治思想存在差异,导致施治的药物选择不同,给药规律难以把握。因此,本文借助注意力机制、深度学习技术和子空间聚类等算法,通过构建不同任务模型来探索中医的症状-证候-药物的对应关系,形成自动化的证候诊断算法,为临床的辨证提供辅助决策支持。另外,本文又探究了症状和药物在全局病理层面的对应关系,挖掘其中内在规律,确定施治给药规范,提升了中医临床诊疗能力。文章的主要研究内容如下:(1)提出基于注意力机制的证候分类模型。针对患者症状表现多样,难以确定疾病证候问题,本文基于神经网络理论提出注意力机制和多层感知器相结合的证候诊断算法。注意力机制智能地判别症状与证候之间的相关性,为症状合理分配贡献权重。多层感知器根据权重化的症状向量能准确地学习到关键的症状和证候对应关系,快速分类证候。实验结果表明,该模型不仅能够提高证候诊断的准确率,还能为证候挑选出具有代表性的核心症状群。(2)提出基于多实例和多视图学习的证候分类模型。针对患者的症状信息利用不充分,证候分类效果难以提升问题,本文基于注意力机制提出多实例和多视图学习相结合的分类模型。多实例生成器产生多种潜在的关键症状组合实例;多视图学习模块利用卷积核学习症状的全局表征,又创建交互表征谱函数从症状间的交互信息学习自适应相关表征;注意力机制将实例表征信息融合,提取出高层整合信息进行证候诊断。实验结果表明,该模型的分类准确率达到80.96%,超过多数先进算法,证明了其有效性。(3)提出基于循环神经网络的病例信息整合与聚类系统。为了挖掘同种疾病的不同患者群的症状与药物的关系,本文构建多模式的表征框架,并结合子空间聚类算法对患者聚类。框架采用独热编码映射、词嵌入模型和Bi-LSTM模型从患者的基本属性和诊疗序列数据提取高层语义信息,组成患者体况表征向量。本文又利用基于谱聚类的子空间聚类算法对患者表征进行聚类,划分出不同体况人群簇,探究不同人群的症状和药物对应关系,分析了数据集中存在的典型“药-症”、药对和药组,对不同人群的症状和药物联系的隐形规律进行总结,为临床具体诊疗施治提供辅助参考。