MODULE LIBRARY

候选模块库

这里是来源索引，不代表模块已经适配、运行或成为论文复现的一部分。

dataset_loader

候选

读取药物—疾病数据

默认 therapeutic.txt；药物/疾病相似度乘 simw。原始特征到相似度的计算未包含于此调用路径。

code/main.py · 第 112–132 行

positive_edge_split

候选

正例随机五折划分

仅已知正例分折；留出位置置零。不是药物或疾病实体隔离。

code/main.py · 第 72–95 行

graph_preprocessing

候选

构图与稀疏输入

特征 X 仅由训练关联构成，邻接 A 含相似度；全图归一化。

code/main.py · 第 17–35 行

HDGAT

候选

HDGAT 药物—疾病模型

根据 main.PredictScore 实际调用建立；展开查看三个编码阶段、跨层融合与双线性解码。

code/model.py · 第 6–61 行

weighted_cross_entropy

候选

全矩阵加权交叉熵

实际将 sigmoid 概率传给 logits 参数；训练标签包含置零的留出正例，未见排除掩码。

code/opt.py · 第 6–18 行

training_loop

候选

Adam 训练与周期学习率

每折重新建图初始化，训练400轮；最后关闭占位符dropout并输出预测，未进行本轮执行。

code/main.py · 第 37–69 行

evaluation

候选

留出正例与未知对评价

对 train_matrix==0 的位置评价；五折指标取均值。

code/main.py · 第 97–106 行

heterogeneous_adjacency

候选

相似度—关联分块邻接

A=[[6S_drug,R_train],[R_train.T,6S_disease]]；缩放在 main.py:132 调用前完成。

code/utils.py · 第 58–61 行

association_features

候选

关联块节点特征

X=[[0,R_train],[R_train.T,0]]；不同于将整张异质图直接视为节点特征。

code/utils.py · 第 46–55 行

symmetric_normalization

候选

全图度归一化

对拼接后的邻接计算度归一化；稀疏元组输出，无单独相似度归一化步骤。

code/utils.py · 第 36–43 行

sparse_dropout

候选

邻接稀疏 Dropout

共享dropout后邻接传入三个编码阶段。实现 utils.py:18–24。

code/model.py · 第 26–27 行

候选

特征稀疏 Dropout

实现 utils.py:18–24，保留概率1-dropout。

code/layers.py · 第 114–115 行

GCN

候选

稀疏 GCN 与 ELU

调用 model.py:29–36；X dropout → XW → A(XW) → ELU。

code/layers.py · 第 98–119 行

BiLSTM_attention

候选

BiLSTM 与掩码注意力

调用 model.py:39–44；BiLSTM 后线性变换、邻接掩码注意力。代码并未构建每对 i,j 的拼接。

code/layers.py · 第 10–55 行

residual_attention

候选

残差掩码注意力

调用 model.py:47–53；以 hidden2 为输入，结果加 hidden1。

code/layers.py · 第 57–97 行

layer_weighted_sum

候选

三个可学习标量跨层融合

hidden1*att[0]+hidden2*att[1]+hidden3*att[2]；att初始化见18行；没有softmax约束。

code/model.py · 第 57–57 行

bilinear_decoder

候选

药物—疾病双线性解码

调用 model.py:59–61；按前269行/后598行切分，计算 R W Dᵀ，展平并 sigmoid。

code/layers.py · 第 120–145 行

linear_projection

候选

稀疏特征线性投影

X[867,867] × W[867,64]。

code/layers.py · 第 116–116 行

候选

BiLSTM 输出投影

h × W；默认emb_dim=input_dim=output_dim=64。

code/layers.py · 第 39–39 行

graph_aggregation

候选

邻接传播

A_drop × XW。

code/layers.py · 第 117–117 行

ELU

候选

ELU 激活

act由HDGATModel默认ELU传入。

code/layers.py · 第 118–119 行

BiLSTM

候选

特征轴 BiLSTM

expand_dims将[867,64]变[867,64,1]：每个节点为批样本、64个特征位置为序列步；不是跨867个节点序列。units=32每方向，默认不返回全部时间步。

code/layers.py · 第 35–38 行

self_concat_attention_score

候选

重复自身拼接注意力分数

concat([Wh,Wh],-1) → LeakyReLU → a → squeeze；e[867]，并非e[867,867]。这是自定义实现差异，不标为已核实的动态GAT公式。

code/layers.py · 第 50–55 行

候选

残差层自身拼接打分

同样输出e[867]并广播；不是查询—邻居成对打分。

code/layers.py · 第 91–97 行

masked_softmax

候选

邻接掩码与行 Softmax

adj转稠密并加单位阵；e[867]按列广播到[867,867]，按行softmax及dropout。

code/layers.py · 第 41–46 行

attention_aggregation

候选

注意力汇总与 LeakyReLU

attention[867,867]×Wh[867,64]。

code/layers.py · 第 47–48 行

候选

注意力聚合

attention × Wh。

code/layers.py · 第 88–88 行

residual_add

候选

LeakyReLU 与跨层残差

激活聚合结果后加 former=hidden1。

code/layers.py · 第 89–89 行

entity_partition

候选

药物与疾病嵌入切分

前num_r=269行为药物，剩余598行为疾病。

code/layers.py · 第 138–139 行

bilinear_score

候选

双线性关系打分

R × W[64,64] × D.T。

code/layers.py · 第 140–142 行

sigmoid

候选

展平与 Sigmoid

原始源码这里已做sigmoid；opt却把输出传入with_logits损失。

code/layers.py · 第 143–145 行

cyclic_learning_rate

候选

指数衰减周期学习率

调用 opt.py:12–14，mode=exp_range，gamma=.995，默认step_size=20。

code/clr.py · 第 7–48 行

Adam

候选

Adam 梯度更新

minimize(cost,global_step)；未执行。

code/opt.py · 第 12–22 行

evaluation_mask

候选

选取训练矩阵零位置

包含该折留出正例和全部原始未知对。

code/clac_metric.py · 第 55–59 行

threshold_metrics

候选

阈值扫描与七项指标

999候选阈值；自定义梯形面积AUPR/AUC，最大F1阈值报告其余分类指标，非固定阈值或average_precision。

code/clac_metric.py · 第 4–52 行