基于聚类的中药方剂网络核心药物分析技术研究.pdfVIP

基于聚类的中药方剂网络核心药物分析技术研究

摘要

中医药是中医重要的组成部分，也是治疗疾病主要的方法。中医药数据挖

掘有助于完善中药基础理论知识。目前传统中医药挖掘主要依靠人工进行实验

和分析。随着跨领域研究的兴起，越来越多的学者使用计算机等其他领域研究

来提高中医药挖掘的效率。其中方剂挖掘是中医药研究领域的重点，能够发现

药物间的潜在关系和配伍规律。现有的方剂挖掘算法以关联规则、复杂网络、

聚类等为主要手段。目前的中医药方剂挖掘研究存在诸多局限性：首先，现有

的配伍规律挖掘方法主要使用社区划分算法对药物网络进行社区划分，但现有

的算法很难对紧密的药物网络进行有效划分；其次，现有的核心药物研究仅仅

是通过网络拓扑结构或者使用频率进行挖掘，方法和模型比较单一，很难处理

大规模药物构成的复杂方剂网络。针对上述问题，本文的主要工作包括：

(1)针对现有社区划分算法不能对紧密的药物网络进行划分，提出一种基

于深度游走的社区划分算法。借助深度游走对药物网络中的节点进行学习，获

取节点的网络表达，基于K-means算法对节点进行聚类。为了去除药物网络中

噪声数据的影响，提出了一种基于药物关系的网络构建方法，通过设立阈值去

除不重要的边来简化网络关系提高社区划分算法的效果。此外，提出一种基于

共邻节点改进的LocalFitnessMaximization(LFM)算法，通过去除领导者节点对

边缘节点的影响来提高算法社区划分的质量。在真实方剂数据集(即补益和解表

数据集)上验证本文所提算法相比典型算法，聚类结果的质量得到显著提升。

(2)针对现有核心药物发现算法的不足，提出一种基于K-shell的核心药物

发现算法。通过计算复杂网络中关键节点的重要性和药物在方剂集合中重要性

权值得到药物的重要性，并根据重要性大小排序发现核心药物。对于药物存在

使用范围的局限，提出一种基于邻居相似性的药物聚类算法，通过邻居节点相

似性将药物划入到不同的药物集合，然后对不同集合的药物进行核心节点挖掘。

在真实数据集上验证了核心药物发现算法的有效性。

(3)针对当前药组药对发现基于药物间的使用频率关系并不能准确地反应

药物间的关系的不足，提出一种基于LFM的改进药群发现算法。通过相似的配

伍环境发现药物间关系密切的药群，并基于药物的使用次数(频率)进行核心药

群发现。此外，提出一种基于词频-逆词频的改进药对发现方法。在真实数据集

上验证了药群发现算法的有效性。

关键词：中医数据挖掘，复杂网络，核心药物，深度游走，聚类分析

ResearchonCoreHerbAnalysisTechniquesofTraditional

ChineseMedicinePrescriptionNetworksBasedon

ClusteringMethods

ABSTRACT

TCM(TraditionalChineseMedicine)isanimportantpartoftraditionalChinese

medicine,andisanimportantmethodforcuringdiseases.TCMdataminingcanhelp

improvethebasictheoreticalknowledgeofherbalmedicines.Currently,TCMdata

miningrelysonmanualexperimentsandanalysis.Withthedevelopmentof

interdisciplinaryresearch,moreandmoreresearchersemploycomputerscienceand

otherresearchareastoimprovetheefficiencyofTCMdatamining.Dataminingof

prescriptionsplaysanimportantroleintheareasofTCM,whichcanfindthelatent

relationship