CN118897891A - 基于语音识别的药品智能推荐方法及系统 - Google Patents

Abstract

本发明公开了基于语音识别的药品智能推荐方法及系统，涉及药品推荐技术领域，包括采集用户语音数据和药品数据，构建语义表示向量和药品特征向量；基于多头注意力机制，计算加权求和值向量。本发明所述方法通过多头注意力机制，可以全面表达用户与药品之间的多维度匹配关系，从而更加精准地捕捉用户需求与药品特征的匹配度，通过综合特征向量将用户的语义需求信息与药品特征信息进行多维度匹配，并引用余弦相似度的计算，可以清晰地判断用户需求与药品特征在各个维度上的相似度，提升匹配结果的精确性，通过将用户的语义表达与药品特征进行逐成分的详细比对，充分考虑用户语义表达中各个成分的顺序信息，提升推荐的准确性。

Description

基于语音识别的药品智能推荐方法及系统

技术领域

本发明涉及药品推荐技术领域，特别是基于语音识别的药品智能推荐方法及系统。

背景技术

药品通常具备较为复杂的使用说明书，其中还包括较多的使用规范和禁忌等说明内容，随着自然语言处理（NLP）技术的发展，特别是语音识别和语义理解技术的提升，医疗领域开始尝试利用语音数据进行健康管理和药品推荐；

然而现有的智能药品推荐系统大多依赖于简单的语义匹配和关键词搜索，对用户语音表达中的细微差异和多层次语义信息捕捉不足，导致推荐结果的准确性和个性化受到限制，其次传统的药品推荐系统多依赖于预定义的规则或简单的统计模型，难以综合考虑用户的描述和药品间的相互作用，降低了药品推荐的效率。

发明内容

鉴于上述现有的基于语音识别的药品智能推荐方法及系统中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于现有的智能药品推荐系统大多依赖于简单的语义匹配和关键词搜索，对用户语音表达中的细微差异和多层次语义信息捕捉不足，导致推荐结果的准确性和个性化受到限制，其次传统的药品推荐系统多依赖于预定义的规则或简单的统计模型，难以综合考虑用户的描述和药品间的相互作用，降低了药品推荐的效率。

为解决上述技术问题，本发明提供如下技术方案：基于语音识别的药品智能推荐方法，其包括，

采集用户语音数据和药品数据，构建语义表示向量和药品特征向量；

基于多头注意力机制，计算加权求和值向量，综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率；

基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合药品的需求概率计算药品的总得分；

基于药品的总得分生成推荐列表，使用加密算法存储并上传数据。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述采集用户语音数据和药品数据，构建语义表示向量和药品特征向量，包括，

基于不同用户进行语音数据采集，并对采集的语音数据通过带通滤波去除噪音；

使用语音识别模型DeepSpeech对去除噪音后的语音数据转换为文本数据；

使用预训练的语言模型BERT，将文本数据输入模型，语言模型BERT输出语义表示向量；

基于现有的药品数据集，收集药品的详细信息和药效相互作用数据；

将药品属性、成分、适应症信息作为药品特征节点构建为图结构，使用图嵌入算法Node2Vec构成每个药品节点的特征向量，将药品节点嵌入向量作为药品特征向量。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述基于多头注意力机制，计算加权求和值向量，包括，

基于多头注意力机制，根据语义表示向量和药品特征向量分别定义查询向量、关键向量和值向量，表示为：

；

；

；

其中、和分别为第i个查询向量、第i个关键向量和第i个值向量的权重矩阵，、和分别表示第i个查询向量、第i个关键向量和第i个值向量，和分别表示语义表示向量和药品特征向量；

并基于查询向量、关机向量和值向量计算加权求和值向量。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率，包括，

基于加权求和值向量的计算将所有加权求和值向量的输出拼接，表示为：

；

其中表示综合特征向量，表示第h个加权求和值向量，表示综合特征向量输出的拼接向量；

通过训练集使用交叉熵损失函数计算损失；

基于综合特征向量确定经过线性层映射后的输出，表示为：

；

其中表示第i个经过线性层映射后的综合特征向量输出，表示针对药品i的线性权重，表示偏置项；

使用sigmoid函数将用户语义特征和药品特征的匹配特征向量转化为选择药品的概率，表示为：

；

其中表示药品i的需求概率；

使用Adam优化器通过梯度下降法计算损失L对每个参数矩阵、和以及和的梯度值，并进行参数迭代优化，当在连续迭代过程中计算的损失L不再明显下降则停止迭代输出参数。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合分析药品的需求概率计算药品的总得分，包括，

基于多头注意力计算输出的综合特征向量，根据包含的h个头的输出构建向量，根据药品特征向量针对每个药品的特征构建向量，分别表示为：

；

；

其中表示多头注意力机制的最终输出，表示第n个药品的特征；

引入余弦相似度通过综合特征向量每个头的输出和每个药品的特征进行准确性匹配，表示为：

；

其中表示药品i推荐得分，表示第i个药品特征的转置；

将用户的语义表达与药品特征进行序列比对；

构建二维对比矩阵M，其中表示用户需求向量的第i个成分与药品特征向量的第j个成分之间的匹配得分，表示为：

；

；

其中表示第i个用户语义向量，表示第j个药品特征向量，表示第i个用户语义向量和第j个药品特征向量的余弦相似度，表示跳过药品特征向量的第j个成分，只考虑用户语义向量的前i−1个成分与药品特征的前j个成分的最佳匹配得分，表示跳过用户语义向量的第i个成分，只考虑用户语义向量的前i个成分与药品特征向量的前j-1个成分的最佳匹配得分，表示上一个匹配的最佳得分，表示第j个药品特征向量的转置计算；

根据的计算填充矩阵M，并选取矩阵中的累积得分作为药品i的最终匹配积分；

综合考虑药品i的需求概率和推荐得分，综合计算药品的总得分，表示为：

；

其中表示药品i的总得分，表示药品i的最终匹配积分，表示药品i需求概率。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述基于药品的总得分生成推荐列表，包括，

计算所有药品的总得分，并统计总得分的最大值和最小值；

对药品的总得分进行标准化处理，并根据标准化得分对所有药品从高到低进行排序，生成药品推荐列表。

作为本发明所述基于语音识别的药品智能推荐方法的一种优选方案，其中：所述使用加密算法存储并上传数据，包括，

使用AES加密算法对药品推荐得分数据进行加密处理，根据语义表示向量的来源用户进行分类存储；

将数据通过SFTP，建立与远程服务器的安全连接，将加密的数据文件上传到指定的服务器目录进行数据安全传输；

记录数据存储和上传的日志文件，包括记录数据加密的时间、密钥使用情况、加密文件名信息。

本发明的另外一个目的是提供基于语音识别的药品智能推荐方法的系统，其包括，

数据采集模块，采集用户的语音数据，收集和处理药品的详细信息和药效数据，并进行预处理，生成特征向量；

多头注意力模块，基于多头注意力机制计算语义表示向量与药品特征向量之间的匹配得分，并生成加权求和值向量；

药品推荐得分计算模块，基于综合特征向量和二维对比矩阵，计算药品推荐得分和用户需求匹配得分，并生成药品的总得分；

推荐列表生成模块，基于药品的总得分对药品进行排序，生成最终的药品推荐列表；

数据存储模块，对药品推荐数据进行加密处理，并通过安全通道将数据上传至远程服务器进行存储。

一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于语音识别的药品智能推荐方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于语音识别的药品智能推荐方法的步骤。

本发明有益效果为：通过多头注意力机制，可以全面表达用户与药品之间的多维度匹配关系，从而更加精准地捕捉用户需求与药品特征的匹配度，通过综合特征向量将用户的语义需求信息与药品特征信息进行多维度匹配，并引用余弦相似度的计算，可以清晰地判断用户需求与药品特征在各个维度上的相似度，提升匹配结果的精确性，通过将用户的语义表达与药品特征进行逐成分的详细比对，能够有效解决语义表达与药品特征之间的顺序和关系匹配问题，充分考虑用户语义表达中各个成分的顺序信息，提升推荐的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为基于语音识别的药品智能推荐方法的流程示意图。

图2为基于语音识别的药品智能推荐系统的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式作详细地说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性地与其他实施例互相排斥的实施例。

实施例1，参照图1，为本发明第一个实施例，该实施例提供了基于语音识别的药品智能推荐方法，基于语音识别的药品智能推荐方法包括，

S1，采集用户语音数据和药品数据，构建语义表示向量和药品特征向量；

优选的，采集用户语音数据和药品数据，构建语义表示向量和药品特征向量，包括，

基于不同用户进行语音数据采集，并对采集的语音数据通过带通滤波去除噪音；

使用语音识别模型DeepSpeech对去除噪音后的语音数据转换为文本数据；

使用预训练的语言模型BERT，将文本数据输入模型，语言模型BERT输出语义表示向量；

基于现有的药品数据集，收集药品的详细信息和药效相互作用数据；

将药品属性、成分、适应症信息作为药品特征节点构建为图结构，使用图嵌入算法Node2Vec构成每个药品节点的特征向量，将药品节点嵌入向量作为药品特征向量。

通过采集不同用户的语音数据，并使用带通滤波去除噪音，可以有效提高语音识别模型的精度，针对个体用户的语音特点进行数据清洗和降噪，能够减少模型对背景噪音的敏感性，使得模型能够更准确地理解用户的语音内容，使用DeepSpeech模型将去噪后的语音数据转化为文本，再利用预训练的BERT模型对文本数据进行语义分析，能够准确捕捉用户表达中的细微语义差异，通过形成药品的特征向量，能够将药品的多维属性信息（如成分、药效、适应症等）综合考虑，有助于捕捉药品之间的复杂关系和相互作用，为药品推荐提供了更加全面的特征表示，通过将药品节点信息嵌入到向量空间中，可以为每个药品构建一个多维度的特征表示，相比于传统的基于关键词或规则的药品匹配方式，图嵌入方法能够更加准确地表达药品之间的关系和差异，显著提升推荐系统的表达能力和泛化能力。

S2，基于多头注意力机制，计算加权求和值向量，综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率；

优选的，基于多头注意力机制，计算加权求和值向量，包括，

基于多头注意力机制，根据语义表示向量和药品特征向量分别定义查询向量、关键向量和值向量，表示为：

；

；

；

其中、和分别为第i个查询向量、第i个关键向量和第i个值向量的权重矩阵，、和分别表示第i个查询向量、第i个关键向量和第i个值向量，和分别表示语义表示向量和药品特征向量；

其中查询向量表示当前要“查询”的信息，会与关键向量进行匹配，找到最相关的信息，关键向量用于表示候选信息的特征，会与查询向量进行比较，判断是否与查询向量匹配，值向量通常包含药品的详细信息；

并基于查询向量、关机向量和值向量计算加权求和值向量，表示为：

；

其中表示第i个加权求和值向量，表示第i个关键矩阵的转置计算，表示语义表示向量和药品特征向量的映射相同特征数量值，基于语义表示向量的维度和药品特征向量的不同维度（向量的特征数量），进行重新匹配并定义语义表示向量和药品特征向量的相同特征数量，通常选取64。

通过多头注意力机制可以通过多个头（多个查询-关键-值组合）来关注用户语义需求和药品特征的不同方面，其中查询-关键-值的设定与用户的语义需求和药品的特征信息匹配，能够精确捕捉用户的个性化需求，提高推荐系统的精确度和用户满意度，通过多头加权求和值向量的组合，可以将用户需求与药品特征的不同维度进行加权求和，从而在整体上提升信息提取能力，通过将语义表示向量和药品特征向量定义为查询向量、关键向量和值向量，并使用多头注意力机制进行加权求和计算，能够有效提升药品推荐系统的精确性、个性化和可解释性。

进一步的，综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率，包括，

基于加权求和值向量的计算将所有加权求和值向量的输出拼接，表示为：

；

其中表示综合特征向量，表示第h个加权求和值向量，表示综合特征向量输出的拼接向量；

通过训练集使用交叉熵损失函数计算损失，表示为：

；

其中表示计算损失，n表示药品数量，表示真实标签，即药品i实际需求情况，表示针对药品i符合需求的计算概率；

基于综合特征向量确定经过线性层映射后的输出，表示为：

；

其中表示第i个经过线性层映射后的综合特征向量输出，表示针对药品i的线性权重，表示偏置项；

使用sigmoid函数将用户语义特征和药品特征的匹配特征向量转化为选择药品的概率，表示为：

；

其中表示药品i的需求概率；

使用Adam优化器通过梯度下降法计算损失L对每个参数矩阵、和以及和的梯度值，并进行参数迭代优化，当在连续迭代过程中计算的损失L不再明显下降则停止迭代输出参数。

通过多头注意力机制，将加权求和值向量进行拼接后，得到综合特征向量，可以全面表达用户与药品之间的多维度匹配关系，从而更加精准地捕捉用户需求与药品特征的匹配度，将综合特征向量通过线性层映射为药品选择的概率，能够进一步调整综合特征的权重，突出用户需求与药品特征中重要的匹配信息，从而提升推荐的精确度和个性化程度，通过损失函数以及Adam优化器和梯度计算，能够在较短时间内达到较优的训练效果，通过Sigmoid函数计算药品需求概率，能够很好地表达药品的适用性和风险性，其中Sigmoid函数的引入能够平滑处理匹配得分中的极端值，相较于药品的特征和对综合特征向量的分析，可以更加直观的分析药品的需求程度，为用药决策提供辅助。

S3，基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合分析药品的需求概率计算药品的总得分；

优选的，基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合分析药品的需求概率计算药品的总得分，包括，

基于多头注意力计算输出的综合特征向量，根据包含的h个头的输出构建向量，根据药品特征向量针对每个药品的特征构建向量，分别表示为：

；

；

其中表示多头注意力机制的最终输出，表示第n个药品的特征；

引入余弦相似度通过综合特征向量每个头的输出和每个药品的特征进行准确性匹配，表示为：

；

其中表示药品i推荐得分，表示第i个药品特征的转置；

将用户的语义表达与药品特征进行序列比对；

构建二维对比矩阵M，其中表示用户需求向量的第i个成分与药品特征向量的第j个成分之间的匹配得分，表示为：

；

；

其中表示第i个用户语义向量，表示第j个药品特征向量，表示第i个用户语义向量和第j个药品特征向量的余弦相似度，表示跳过药品特征向量的第j个成分，只考虑用户语义向量的前i−1个成分与药品特征的前j个成分的最佳匹配得分，表示跳过用户语义向量的第i个成分，只考虑用户语义向量的前i个成分与药品特征向量的前j-1个成分的最佳匹配得分，表示上一个匹配的最佳得分，表示第j个药品特征向量的转置计算；

的计算公式，通过计算上一个匹配的最佳得分以及用户语义成分与药品特征成分匹配累加其余弦相似度得分，可以考虑到若与有较高的相似度（相似度值大），则累加得分会较高，表示当前成分匹配是最优路径的一部分，公式中应用了动态规划的思想，将问题分解为子问题，通过递推关系逐步求解，每个子问题的解都依赖于前一个子问题的解，保证了全局最优解的计算，且公式的递推计算中最大值选择保证了每一步计算都是当前最优的决策，即每一步都选择当前最优的得分累加路径。这种逐步最优的选择保证了最终解是全局最优解，因而当用户语义表达和药品特征维度较多时，该公式能够灵活处理不同维度的匹配关系；

根据的计算填充矩阵M，并选取矩阵中的累积得分作为药品i的最终匹配积分；

综合考虑药品i的需求概率和推荐得分，综合计算药品的总得分，表示为：

；

其中表示药品i的总得分，表示药品i的最终匹配积分，表示药品i需求概率，药品需求概率对数值的参与计算，可以增加对高概率药品的区分度。

通过综合特征向量将用户的语义需求信息与药品特征信息进行多维度匹配，并引用余弦相似度的计算，可以清晰地判断用户需求与药品特征在各个维度上的相似度，提升匹配结果的精确性，尤其是对相似药品的精细化区分，同时进一步，通过将用户的语义表达与药品特征进行逐成分的详细比对，充分考虑用户语义表达中各个成分的顺序信息，提升推荐的准确性，且基于二维比对矩阵可以直观地了解用户语义表达与药品特征的匹配情况，通过观察矩阵，可以直观地了解哪些成分对匹配得分起到了关键作用，同时矩阵相关数据还可成为药品推荐的追溯来源，方便详细解释每个药品推荐得分的来源；

在总得分的计算中，通过需求概率的引入，可以有效避免需求概率较低但推荐得分较高的药品被错误推荐，从而提高推荐的安全性，从而实现根据实际需求情况动态调整药品的优先级，更好地保护用户的健康和用药安全。

S4，基于药品的总得分生成推荐列表，使用加密算法存储并上传数据；

优选的，基于药品的总得分生成推荐列表，包括，

计算所有药品的总得分，并统计总得分的最大值和最小值；

对药品的总得分进行标准化处理，并根据标准化得分对所有药品从高到低进行排序，生成药品推荐列表。

通过对所有药品的总得分进行标准化处理后，能够更直观地反映药品与用户需求的匹配情况，通过生成推荐列表，用户或医生可以很容易地理解药品的优先级，并根据排序结果做出更加合理的选择，提高用户体验，通过实时计算药品总得分、标准化处理和排序，系统能够在用户输入不同需求或偏好时，快速调整推荐结果，提供动态的推荐方案。

进一步的，使用加密算法存储并上传数据，包括，

使用AES加密算法对药品推荐得分数据进行加密处理，根据语义表示向量的来源用户进行分类存储；

将数据通过SFTP，建立与远程服务器的安全连接，将加密的数据文件上传到指定的服务器目录进行数据安全传输；

记录数据存储和上传的日志文件，包括记录数据加密的时间、密钥使用情况、加密文件名信息。

通过加密处理，即使数据在传输或存储过程中被截获，也无法直接获取用户的药品推荐信息，从而有效防止数据泄露和篡改，通过使用SFTP协议传输数据时，数据传输采用数据包校验机制，能够有效防止数据包丢失和信息泄露，通过记录数据加密的时间、密钥使用情况、加密文件名信息等日志文件，有助于实现数据管理的透明化和可追溯性，提升数据隐私保护和安全性，防止数据在存储和传输过程中的泄露和篡改。

实施例2，参照图2，为本发明第二个实施例，该实施例不同于上一个实施例，提供了基于语音识别的药品智能推荐方法的系统，包括，

数据采集模块，采集用户的语音数据，收集和处理药品的详细信息和药效数据，并进行预处理，生成特征向量；

多头注意力模块，基于多头注意力机制计算语义表示向量与药品特征向量之间的匹配得分，并生成加权求和值向量；

药品推荐得分计算模块，基于综合特征向量和二维对比矩阵，计算药品推荐得分和用户需求匹配得分，并生成药品的总得分；

推荐列表生成模块，基于药品的总得分对药品进行排序，生成最终的药品推荐列表；

数据存储模块，对药品推荐数据进行加密处理，并通过安全通道将数据上传至远程服务器进行存储。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方案中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方案中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于语音识别的药品智能推荐方法，其特征在于：包括，

采集用户语音数据和药品数据，构建语义表示向量和药品特征向量；

基于多头注意力机制，计算加权求和值向量，综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率；

基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合分析药品的需求概率计算药品的总得分；

基于药品的总得分生成推荐列表，使用加密算法存储并上传数据。

2.如权利要求1所述的基于语音识别的药品智能推荐方法，其特征在于：所述采集用户语音数据和药品数据，构建语义表示向量和药品特征向量，包括，

基于不同用户进行语音数据采集，并对采集的语音数据通过带通滤波去除噪音；

使用语音识别模型DeepSpeech对去除噪音后的语音数据转换为文本数据；

使用预训练的语言模型BERT，将文本数据输入模型，语言模型BERT输出语义表示向量；

基于现有的药品数据集，收集药品的详细信息和药效相互作用数据；

将药品属性、成分、适应症信息作为药品特征节点构建为图结构，使用图嵌入算法Node2Vec构成每个药品节点的特征向量，将药品节点嵌入向量作为药品特征向量。

3.如权利要求2所述的基于语音识别的药品智能推荐方法，其特征在于：所述基于多头注意力机制，计算加权求和值向量，包括，

基于多头注意力机制，根据语义表示向量和药品特征向量分别定义查询向量、关键向量和值向量，表示为：

；

；

；

其中、和分别为第i个查询向量、第i个关键向量和第i个值向量的权重矩阵，、和分别表示第i个查询向量、第i个关键向量和第i个值向量，和分别表示语义表示向量和药品特征向量；

并基于查询向量、关机向量和值向量计算加权求和值向量。

4.如权利要求3所述的基于语音识别的药品智能推荐方法，其特征在于：所述综合多头的加权求和值向量输出综合特征向量，并计算药品的需求概率，包括，

基于加权求和值向量的计算将所有加权求和值向量的输出拼接，表示为：

；

其中表示综合特征向量，表示第h个加权求和值向量，表示综合特征向量输出的拼接向量；

通过训练集使用交叉熵损失函数计算损失；

基于综合特征向量确定经过线性层映射后的输出，表示为：

；

其中表示第i个经过线性层映射后的综合特征向量输出，表示针对药品i的线性权重，表示偏置项；

使用sigmoid函数将用户语义特征和药品特征的匹配特征向量转化为选择药品的概率，表示为：

；

其中表示药品i的需求概率；

使用Adam优化器通过梯度下降法计算损失L对每个参数矩阵、和以及和的梯度值，并进行参数迭代优化，当在连续迭代过程中计算的损失L不再明显下降则停止迭代输出参数。

5.如权利要求4所述的基于语音识别的药品智能推荐方法，其特征在于：所述基于综合特征向量计算药品推荐得分，构建二维对比矩阵分析药品与用户的匹配得分，综合分析药品的需求概率计算药品的总得分，包括，

基于多头注意力计算输出的综合特征向量，根据包含的h个头的输出构建向量，根据药品特征向量针对每个药品的特征构建向量，分别表示为：

；

；

其中表示多头注意力机制的最终输出，表示第n个药品的特征；

引入余弦相似度通过综合特征向量每个头的输出和每个药品的特征进行准确性匹配，表示为：

；

其中表示药品i推荐得分，表示第i个药品特征的转置；

将用户的语义表达与药品特征进行序列比对；

构建二维对比矩阵M，其中表示用户需求向量的第i个成分与药品特征向量的第j个成分之间的匹配得分，表示为：

；

；

其中表示第i个用户语义向量，表示第j个药品特征向量，表示第i个用户语义向量和第j个药品特征向量的余弦相似度，表示跳过药品特征向量的第j个成分，只考虑用户语义向量的前i−1个成分与药品特征的前j个成分的最佳匹配得分，表示跳过用户语义向量的第i个成分，只考虑用户语义向量的前i个成分与药品特征向量的前j-1个成分的最佳匹配得分，表示上一个匹配的最佳得分，表示第j个药品特征向量的转置计算；

根据的计算填充矩阵M，并选取矩阵中的累积得分作为药品i的最终匹配积分；

综合考虑药品i的需求概率和推荐得分，综合计算药品的总得分，表示为：

；

其中表示药品i的总得分，表示药品i的最终匹配积分，表示药品i需求概率。

6.如权利要求5所述的基于语音识别的药品智能推荐方法，其特征在于：所述基于药品的总得分生成推荐列表，包括，

计算所有药品的总得分，并统计总得分的最大值和最小值；

对药品的总得分进行标准化处理，并根据标准化得分对所有药品从高到低进行排序，生成药品推荐列表。

7.如权利要求6所述的基于语音识别的药品智能推荐方法，其特征在于：所述使用加密算法存储并上传数据，包括，

使用AES加密算法对药品推荐得分数据进行加密处理，根据语义表示向量的来源用户进行分类存储；

将数据通过SFTP，建立与远程服务器的安全连接，将加密的数据文件上传到指定的服务器目录进行数据安全传输；

记录数据存储和上传的日志文件，包括记录数据加密的时间、密钥使用情况、加密文件名信息。

8.一种基于权利要求1-7任一所述的基于语音识别的药品智能推荐方法的系统，其特征在于：包括，

数据采集模块，采集用户的语音数据，收集和处理药品的详细信息和药效数据，并进行预处理，生成特征向量；

多头注意力模块，基于多头注意力机制计算语义表示向量与药品特征向量之间的匹配得分，并生成加权求和值向量；

药品推荐得分计算模块，基于综合特征向量和二维对比矩阵，计算药品推荐得分和用户需求匹配得分，并生成药品的总得分；

推荐列表生成模块，基于药品的总得分对药品进行排序，生成最终的药品推荐列表；

数据存储模块，对药品推荐数据进行加密处理，并通过安全通道将数据上传至远程服务器进行存储。

9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于语音识别的药品智能推荐方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于语音识别的药品智能推荐方法的步骤。