一种中药方剂核心药物的发现方法

摘要

一种中药方剂核心药物的发现方法，由改进聚类算法和加权TF-IDF算法两部分组成，聚类算法包括方剂数据的预处理、聚类距离函数的选择和聚类挖掘算法三部分，其中方剂数据的预测理将方剂数据处理成适合聚类算法的模型；聚类距离的选择用于选择合理的聚类距离函数；距离挖掘算法用于将相似的方剂聚类成一个簇；加权TF-IDF算法用于计算药物的权重，发明的权重计算公式结合聚类结果、药物顺序重要度、TF-IDF算法三部分；算法具有较高的准确性。

主权项

一种中药方剂核心药物的发现方法，其特征在于，由改进聚类算法和加权TF‑IDF算法两部分组成，聚类算法包括方剂数据的预处理、聚类距离函数的选择和聚类挖掘算法三部分，其中方剂数据的预测理将方剂数据处理成适合聚类算法的模型；聚类距离的选择用于选择合理的聚类距离函数；距离挖掘算法用于将相似的方剂聚类成一个簇；加权TF‑IDF算法用于计算药物的权重，发明的权重计算公式结合聚类结果、药物顺序重要度、TF‑IDF算法三部分；所述的方剂数据的预处理，其采用的是向量空间模型。每首方剂抽象成一个向量，方剂中的药物表示为向量的某一维。如果方剂包含某种药物，则其对应的维为1，否则为0；所述的聚类距离函数的选择，采用的是余弦距离函数，其距离为：能够合理度量两个方剂的相似性；这里αi，βi分别是方剂向量；所述的聚类挖掘算法，其采用的是改进的基于节点部分分配的K‑Means算法；算法预先设置一个阈值α，在将节点分配到中心点的时候，对于到所有中心点的距离都超过α的节点，暂时不把它分配到任何中心节点所表示的聚类；这样在一轮分配结束的时候可能会存在一些未被分配的节点。在下一轮分配的时候，从这些节点中在随机选取一些种子节点作为中心点；这样通过不断的迭代，最终数据集中的每个节点都会被分配到合适的分类中；所述的药物顺序重要度，其指的是方剂组成中某一药物的重要程度；其定义为：这里h_i是方剂中的第i味药物，I(h_i)为药物h_i的顺序重要度；药物h在所有方剂中的总重要度定义为：$I\left(h\right)=\underset{i=1}{\overset{m}{\Sigma }}{I}_i\left(h\right);$所述的TF‑IDF算法，指的是信息学中的词频‑逆文档频率算法；一个词的权重定义为：这里n_i,j是词频，表示单词t_i在文件d_j出现次数。|D|表示语料库中的文件总数，|{j:t_i∈d_j}|表示包含单词t_i的文件的数目；根据下式计算药物h的权重W(h,x)，用于计算药物h在治疗某种病x的权重指数，定义为：$W(h,x)=\left({\Sigma }_{c_i\in \mathrm{set}\left(x\right)}I(h\in c_i)\right)\times \log \left(\frac{\left|\right|\mathrm{all}\_\mathrm{set}\left|\right|}{{\Sigma }_{c_j\in \mathrm{all}\_\mathrm{set}}\mathrm{count}(h\in c_j)}\right),$公式前半部分$\left({\Sigma }_{c_i\in \mathrm{set}\left(x\right)}I(h\in c_{\text{i}})\right)$为药物在治疗某种病的方剂的词频，后半部分表示整个方剂数据库聚类数除以药物h在整个方剂数据库中出现的权重的商的对数，为药物在方剂数据总库的“逆文档频率”；公式中的count(h∈c_j)定义为I(h∈c_i)定义为两个子公式中，h表示具体的药物，c_i表示方剂的聚类i，f表示某首方剂，||c_i||表示方剂聚类c_i中包含的方剂的数目，bool(h∈f)表示药物h是否出现在方剂f中，出现为1，不出现为0；count(h∈c_i)表示药物h在方剂聚类c_i中出现的次数除以方剂聚类的方剂数,值域是[0,1]；I_f(h)为药物h在方剂f中的顺序重要度，定义这里i表示药物h是方剂f的第i味药物；I(h∈c_i)表示药物h在方剂聚类c_i中的总顺序重要度除以聚类方剂数；set(x)表示治疗病x的所有方剂，all_set表示整个方剂数据库；表示药物h在治疗病x的方剂聚类中出现的权重，为药物“加权词频”。