以中草药推荐任务作为切入点，针对现有中草药推荐模型忽略中医相关理论知识，导致效果不佳、推荐处方偏离实际等问题，提出了一种基于改进Transformer的中草药推荐模型。在症状序列信息挖掘模块加入卷积神经网络，拓展模型多分支结构，并以训练好的症状文本向量作为嵌入向量来挖掘相关信息，提升模型深层次特征结合能力，提高推荐质量。提出一种多特征融合注意力机制，降低注意力累加过程中被过高关注的特征维度，使得累加结果可以关注到未被关注区域，降低推荐中草药重复概率。提出一种熵平滑损失，通过减弱严格顺序对结果造成的影响进一步改善推荐结果。模型在一个公共临床中医处方数据集和一个合作医院私有数据集上进行实验，实验结果表明与Herb-Know、TCM Translator等其他中草药推荐模型相比，该模型可有效提高推荐中草药质量，改善该过程中重复问题，其在Precision、Recall、F1上相比最好的基准模型分别提升了7%-9%、5%-6%、7%-8%.此外，消融实验也证明了各个模块之间的有效性。

1 相关工作
1.1 基于图卷积网络推荐
1.2 基于端到端模型推荐
2 方法
2.1 任务定义
2.2 字符向量嵌入
2.3 编码器和解码器
2.4 多特征融合注意力模块
2.5 生成指针模块
2.6 交叉传播机制
3 实验
3.1数据集
3.2实验设置
3.3评价标准
3.4基准模型
3.5 对比实验
3.5.1自动评估
3.5.2人类评估
3.6 消融实验
3.6.1超参数消融
3.6.2 模块消融
3.6.3 时间效率和参数消融
3.6.4 不同类型症状消融
3.6.5 标签顺序消融
3.6.6 讨论
4 结束语