基于共引分析的中草药相互关系可视化算法

doi:10.3778/j.issn.1002-8331.2008.22.003

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (22): 10-12.DOI: 10.3778/j.issn.1002-8331.2008.22.003

基于共引分析的中草药相互关系可视化算法

赵明昌,崔霞,李耀东

中国科学院自动化研究所复杂系统与智能科学重点实验室，北京 100080

收稿日期:2008-03-10 修回日期:2008-04-29 出版日期:2008-07-11 发布日期:2008-07-11
通讯作者: 赵明昌

Visualization algorithm for interrelation of Chinese herbs based on co-citation analysis

ZHAO Ming-chang,CUI Xia,LI Yao-dong

Key Laboratory of Complex Systems and Intelligence Science，Institute of Automation，CAS，Beijing 100080，China

Received:2008-03-10 Revised:2008-04-29 Online:2008-07-11 Published:2008-07-11
Contact: ZHAO Ming-chang

摘要/Abstract

摘要： 从中药方剂中挖掘有用知识是目前中医药信息化的一个重要方向。使用共引分析技术，从大量中药方剂中构建中草药连接关系网络，在此基础上，使用基于链接分析的算法计算中草药的重要度，利用图的链接关系进行图的聚类和自动排列。通过提供多种三维可视化技术，交互式、实时地显示中草药连接关系网络，以使研究人员能够可视化地探索中药方剂及中草药的信息，为数据挖掘提供一种强有力的辅助手段。

关键词: 中草药, 中医, 可视化, 共引分析

Abstract: Mining useful knowledge from Chinese herb formulas is an important research trend in the traditional Chinese medicine modernization.In this paper，the Chinese herbs interrelation network is built from large collection of herb formulas by using the co-citation analysis technique.Based on this network，the importance of each herb is calculated by utilizing the link analysis ranking algorithm.The graph clustering and layout algorithm based on link structure is employed to produce the coordinates of graph nodes.The herbs interrelation network can be rendered interactively and in real-time through the 3D visualization techniques.The purpose is to provide a useful and powerful tool to assist the related researchers to visually explore and mine the information hidden in the herb formulas.

Key words: Chinese herbs, traditional Chinese medicine, visualization, co-citation analysis

赵明昌,崔霞,李耀东. 基于共引分析的中草药相互关系可视化算法[J]. 计算机工程与应用, 2008, 44(22): 10-12.

ZHAO Ming-chang,CUI Xia,LI Yao-dong. Visualization algorithm for interrelation of Chinese herbs based on co-citation analysis[J]. Computer Engineering and Applications, 2008, 44(22): 10-12.

[1]	余磊，许光銮，王洋，林道玉，李峰. 基于动态投影嵌入的多维异质网络可视化研究[J]. 计算机工程与应用, 2021, 57(8): 145-152.
[2]	王友发，周圆圆，罗建强. 近20年智能制造研究热点与前沿挖掘[J]. 计算机工程与应用, 2021, 57(6): 49-57.
[3]	李晓英，唐冬琳. 面向用户生成内容的创意思维知识服务研究[J]. 计算机工程与应用, 2021, 57(4): 236-244.
[4]	江洋洋，金伯，张宝昌. 深度学习在自然语言处理领域的研究进展[J]. 计算机工程与应用, 2021, 57(22): 1-14.
[5]	陈小寒，魏书宁，覃正泽. 基于深度学习可视化的恶意软件家族分类[J]. 计算机工程与应用, 2021, 57(22): 131-138.
[6]	程宇航，张健钦，李江川，张安. 交通行业事故文本数据的可视化挖掘分析方法[J]. 计算机工程与应用, 2021, 57(21): 116-122.
[7]	任卓君，陈光，卢文科. 恶意软件的操作码可视化方法研究[J]. 计算机工程与应用, 2021, 57(18): 130-134.
[8]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[9]	张迪，杨沛，邓鑫波，赵千川. ASExplorer：基于联合熵的多维相关性可视分析系统[J]. 计算机工程与应用, 2021, 57(1): 99-109.
[10]	魏世超，李歆，张宜弛，周晓锋，李帅. 基于E-t-SNE的混合属性数据降维可视化方法[J]. 计算机工程与应用, 2020, 56(6): 66-72.
[11]	王家润，孙禹楠，尹辉，杨志龙. 军事目标关系的拟合地势及双重保凸可视建模[J]. 计算机工程与应用, 2020, 56(5): 270-278.
[12]	王占刚. 面向视觉变量感知特征的时空过程可视化模型[J]. 计算机工程与应用, 2020, 56(4): 50-56.
[13]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[14]	王金丽，樊勇，张辉. 区块链文献主题发现及演化研究[J]. 计算机工程与应用, 2020, 56(20): 1-8.
[15]	翟永杰，杨旭，王金娜，王坤峰，赵振兵. 平行视觉框架下深度卷积神经网络可视化分析[J]. 计算机工程与应用, 2020, 56(19): 139-145.

基于共引分析的中草药相互关系可视化算法

Visualization algorithm for interrelation of Chinese herbs based on co-citation analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics