一种用于中药方剂网络重叠社区发现的改进COPRA算法

现阶段关于方剂配伍规律的研究主要用到的是数据挖掘技术,包括分别以分类和聚类为主的研究模式和以关联规则挖掘为主的研究模式,这两种研究模式作为研究中药方剂的重要技术取得了一系列可喜的成果,但是它们在揭示中医理论体系复杂性和内隐性方面还有不足之处.提出一种新的复杂网络的模型来探索中药方剂配伍规律,并用改进的COPRA算法对构建的复杂中药方剂网络进行社团发现,最后通过用自定义的模块密度来衡量所发现的社团紧密程度,以及对发现的社团与关联规则挖掘算法挖掘出的最大频繁项集进行比较,发现该模型及算法有很好的效果,具有一定的实用性.

基于复杂网络的中医痰症用药配伍规律研究

目的:研究利用复杂网络相关算法,结合方剂中药物“君臣佐使”的药物作用,分析中医痰症核心药物用药配伍规律的可行性。方法:首先,构建方剂子网,根据方剂中药物作用构建中药方剂复杂网络模型;其次,改进PageRank算法确立药物核心度,并使用改进COPRA算法挖掘用药规律;最后,搜集中医痰症经典方剂使用该方法进行挖掘和分析。结果:通过分析对比,该方法可发现更多基于核心药物的用药配伍规律,分析结果基本符合临床实际情况。结论:该方法相比于传统的基于聚类、关联规则等数据挖掘算法,具有更好的适应性和揭示用药配伍规律的内隐性,是研究总结方剂配伍规律的有效方法之一。

基于平均互信息的最优社区发现方法

本文提出一种基于平均互信息的最优社区发现方法 AMI (average mutual information),该方法通过计算社区划分时的平均互信息值找出最优的社区划分.将AMI方法作用在非重叠社区发现算法GN和重叠社区发现算法COPRA上分别获得改进的AMI-GN算法和AMI-COPRA算法.将AMI-GN算法与GN, FN, IE算法进行对比实验,实验结果表明AMI-GN算法相较于其他算法提高了社区发现的质量.将AMI-COPRA算法与COPRA, LPPB算法进行对比实验,实验结果表明AMI-COPRA算法大幅度提升原始COPRA算法的稳定性,大大减少了平均迭代次数,加快了算法的收敛速度.相较于LPPB算法,发现社区的质量相差不大,但AMI-COPRA算法比LPPB算法更加稳定.研究表明,运用AMI方法可有效地改进典型的非重叠社区发现算法和重叠社区发现算法的性能.