现今社会,随着生活水平的提高,慢性疾病开始出现在人们的生活中。经研究表明,选择适宜的食物,可以减缓甚至控制病情的恶化。传统的确定疾病与食物关系的方法需要专家针对每种疾病制定出营养规则,然后基于营养规则去推理疾病与食物的关系。由于疾病的类别复杂多样,这类方法的人工耗费较大。针对这个问题,本文提供了一个新的研究思路,即先构造一个简易的慢性疾病与食物关系图,然后基于该图使用网络向量化模型,进行潜在的关系挖掘,最后使用生成的向量进行关系确定。基于此思路,本文做了以下工作:(1)从网页中抓取慢性疾病、食物以及两者的关系数据,然后对其进行数据清洗和数据对齐,生成一张符号网络的慢性疾病与食物关系图。关系图中共有32种慢性疾病和334种食物。(2)针对慢性疾病与食物关系图的高阶非线性、稀疏性和符号多样性,本文基于自编码器,利用二阶邻近度和符号邻近度,提出了半监督符号网络向量化(SSNE:semi-supervised signed network embedding)模型,然后利用此模型产生的节点向量进行关系挖掘和关系确定,并基于此实现了一个简易的食物推荐系统。(3)按照边分割,将慢性疾病与食物关系图分割为训练集和测试集,将训练集分别输入到LINE模型、Deep Walk模型和SDNE模型以及本文提出SSNE模型,用训练集测试网络恢复能力,用测试集测试网络链路预测能力。通过对比实验结果发现,SSNE模型在保障网络恢复能力的前提下,其网络链路预测能力比无符号模型最优结果提高了10%,即说明本文所提出的SSNE模型具有更好网络泛化能力,即更适合关系挖掘。综上所述,本文构造了一个简易的慢性疾病与食物关系图,提出了SSNE模型,并基于此进行了关系挖掘,最后在慢性疾病与食物关系数据集上验证了SSNE模型的有效性。