药物组合在治疗多种复杂疾病中发挥着重要作用,它能从多个治疗方向促进患者健康恢复。与单一药物治疗相比,药物组合治疗不仅能够提高治疗效果,而且可以降低单一药物剂量增加带来的副作用。然而,通过临床实验手段验证成千上万种药物组合的有效性,会消耗大量人力和物力资源。深度学习的迅速发展,为临床医疗数据的挖掘与运用提供了新手段。通过深度学习技术对临床医疗数据加以分析,筛选出潜在有效的治疗药物组合,可以大大减少临床专家发现有效药物组合的工作量,缩短有效药物组合研发周期。本文围绕如何利用深度学习技术提高药物组合预测准确率展开研究,主要包括以下两方面:（1）针对患者时序特征与药物知识提取不充分的问题,提出一种时间注意力机制提取患者的重要时序特征,利用图神经网络计算融入药物知识的药物表示向量,实现药物组合的精准预测。首先,基于循环神经网络设计一种时间注意力机制,提取不同时间步上患者的时序特征。该注意力机制由两层循环神经网络组成,在每层上对不同视图的医疗序列数据计算注意力权重,实现对患者不同特征重要性的区分,充分提取医疗序列数据隐藏的患者特征,并且以键值对的形式存储患者历史特征。然后,将药物组合转换为药物网络,每个药物节点通过边与它的组合药物互相连接。药物节点的嵌入向量不仅包含自身属性,还包括邻居节点特征。通过图神经网络学习药物与药物之间关联性知识,融入到药物节点的表示向量,充分获取整个药物网络信息。最后,根据键值对记忆存储机制检索患者历史特征,计算输出向量,结合患者特征表示向量预测药物组合。实验结果表明,利用患者时序特征与药物知识能够准确预测药物组合,并且在一定程度上可以控制药物不良反应发生的概率。（2）针对先验医学知识与患者全局特征计算复杂的问题,设计一种先验医学知识提取规则计算启发式药物特征,利用多头注意力机制从不同医疗数据视图的特征子空间获取患者全局特征,实现药物组合算法预测准确率的提升。首先,设计一种约束性启发式药物计算规则,将复杂的先验医学知识转化为数值,建立诊断与药物之间的映射关系。先验医学知识为药物组合预测提供启发式药物特征,帮助算法更好地拟合深度学习训练参数。然后,利用多头注意力机制获取不同医疗数据视图内的交互关系,实现从不同医疗数据视图的特征子空间提取患者全局特征。多头注意力机制建立在自注意力机制基础上,在每一个自注意力层上,都定义了查询向量、键向量和值向量。因此,每一个自注意力层都可以学习医疗序列数据中不同元素的重要性,通过将不同注意层的特征拼接起来实现从不同的特征子空间获取全局信息。最后,利用键值对记忆存储机制,存储和检索患者历史特征,预测药物组合。实验结果表明,先验医学知识与患者全局特征能够进一步提高算法的预测准确率,通过案例分析展示出算法在分析不常见疾病治疗时具有较好的预测表现。