| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 发展现状及研究趋势 | 第13-17页 |
| 1.3 主要研究内容及创新点 | 第17-24页 |
| 第二章 相关理论基础 | 第24-45页 |
| 2.1 机器学习 | 第24-38页 |
| 2.1.1 概述 | 第24-27页 |
| 2.1.2 深度学习 | 第27-33页 |
| 2.1.3 推荐系统与协同过滤 | 第33-36页 |
| 2.1.4 多任务学习 | 第36-38页 |
| 2.2 药物重定位研究 | 第38-44页 |
| 2.2.1 药物重定位的概念 | 第38-40页 |
| 2.2.2 研究策略与相关工作 | 第40-44页 |
| 2.3 本章小节 | 第44-45页 |
| 第三章 基于药物与靶蛋白活性关系的推荐研究 | 第45-68页 |
| 3.1 引言 | 第45页 |
| 3.2 相关工作 | 第45-47页 |
| 3.3 基于自编码机的活性小分子推荐算法研究 | 第47-60页 |
| 3.3.1 数据集 | 第48-52页 |
| 3.3.2 实验模型 | 第52-56页 |
| 3.3.3 结果与分析 | 第56-60页 |
| 3.4 基于混合相似度的活性小分子推荐算法研究 | 第60-66页 |
| 3.4.1 数据集 | 第61-62页 |
| 3.4.2 实验模型 | 第62-64页 |
| 3.4.3 结果与分析 | 第64-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 基于药物与疾病关系的预测研究 | 第68-86页 |
| 4.1 引言 | 第68-69页 |
| 4.2 相关工作 | 第69-72页 |
| 4.3 基于药物与疾病关系的RBM模型研究 | 第72-79页 |
| 4.3.1 数据集 | 第72-75页 |
| 4.3.2 实验模型 | 第75-77页 |
| 4.3.3 结果与分析 | 第77-79页 |
| 4.4 基于药物与疾病关系的节点相似度的NN_RBM模型研究 | 第79-84页 |
| 4.4.1 数据集 | 第79-81页 |
| 4.4.2 实验模型 | 第81-83页 |
| 4.4.3 结果与分析 | 第83-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第五章 基于药物属性的药物与疾病关系的推荐研究 | 第86-103页 |
| 5.1 引言 | 第86-87页 |
| 5.2 相关工作 | 第87-88页 |
| 5.3 基于药物多属性融合的推荐算法研究 | 第88-102页 |
| 5.3.1 数据集 | 第88-91页 |
| 5.3.2 实验模型 | 第91-96页 |
| 5.3.3 结果与分析 | 第96-102页 |
| 5.4 本章小结 | 第102-103页 |
| 第六章 基于多任务模型的药物重定位预测研究 | 第103-117页 |
| 6.1 引言 | 第103-105页 |
| 6.2 相关工作 | 第105-107页 |
| 6.3 基于多任务浅层模型与深度模型的预测研究 | 第107-116页 |
| 6.3.1 数据集 | 第107-112页 |
| 6.3.2 实验模型 | 第112-114页 |
| 6.3.3 结果与分析 | 第114-116页 |
| 6.4 本章小结 | 第116-117页 |
| 第七章 总结与展望 | 第117-120页 |
| 7.1 总结 | 第117-118页 |
| 7.2 展望 | 第118-120页 |
| 参考文献 | 第120-132页 |
| 在学期间的研究成果 | 第132-133页 |
| 致谢 | 第133页 |