REFINE：基于预算分配的文本属性图进行LLM优化，以实现个性化医学概念表示

为解决现有编码器忽视患者特定临床背景的问题，研究提出名为 REFINE 的框架，旨在利用预算化文本归属图对大语言模型进行优化，以实现个性化医疗概念表示。该框架从全局文本归属知识图谱出发构建患者特异性时间序列图，通过顺序强化学习策略为每个观测代码选择个性化的图谱扩展预算，随后由异构图神经网络捕捉关系感结构依赖，并由冻结的大语言模型利用图谱感知软提示进行语义细化。在 MIMIC-III 和 MIMIC-IV 数据集上的实验表明，REFINE 能持续提升多种电子病历骨干模型性能，优于强基线方法，并在组件消融、图谱选择及数据不足场景下展现出稳健增益。