| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 基于图模型的药物重定位 | 第12-13页 |
| 1.2.2 基于矩阵分解的药物重定位 | 第13-14页 |
| 1.2.3 基于其它计算模型的药物重定位 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 相关技术 | 第17-23页 |
| 2.1 随机游走技术 | 第17-19页 |
| 2.2 矩阵分解技术 | 第19-20页 |
| 2.3 自动编码器技术 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于异质网络多源随机游走的计算药物重定位模型设计 | 第23-37页 |
| 3.1 构造异质网络 | 第23-27页 |
| 3.1.1 构造药物间相似度网络 | 第24-25页 |
| 3.1.2 构造疾病间相似度网络 | 第25-26页 |
| 3.1.3 构造基因间关系网络 | 第26-27页 |
| 3.1.4 构造药物疾病基因异质网络 | 第27页 |
| 3.2 异质网络多源随机游走模型HMRW | 第27-29页 |
| 3.3 实验与结果分析 | 第29-36页 |
| 3.3.1 实验数据 | 第29-32页 |
| 3.3.2 评估标准与实验参数设置 | 第32-33页 |
| 3.3.3 实验 1：参数α、7)对实验结果的影响 | 第33-34页 |
| 3.3.4 实验 2：HMRW模型与MBi RW模型的预测精度比较 | 第34-35页 |
| 3.3.5 实验 3：HMRW模型与MBi RW模型Top-K场景表现 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于混合泛化矩阵分解的计算药物重定位模型设计 | 第37-49页 |
| 4.1 利用协同过滤寻找药物新用途 | 第37-38页 |
| 4.2 泛化矩阵分解（Generalized Matrix Factorization，GMF） | 第38-39页 |
| 4.3 混合泛化矩阵分解（Hybrid Generalized Matrix Factorization，HGMF） | 第39-44页 |
| 4.3.1 利用自动编码器提取药物和疾病特征 | 第40-41页 |
| 4.3.2 混合协同过滤 | 第41-43页 |
| 4.3.3 HGMF模型学习与预测 | 第43-44页 |
| 4.4 实验与结果分析 | 第44-48页 |
| 4.4.1 实验数据 | 第44页 |
| 4.4.2 评估标准与实验参数设置 | 第44-45页 |
| 4.4.3 实验 1：学习率对实验结果的影响 | 第45页 |
| 4.4.4 实验 2：不同隐特征维度下模型比较 | 第45-46页 |
| 4.4.5 实验 3：不同K值下模型比较 | 第46-47页 |
| 4.4.6 实验 4：迭代次数对实验结果的影响 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 未来工作 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
