基于复杂网络模型并行化PageRank算法的核心药物挖掘方法

摘要

本发明的基于复杂网络模型并行化PageRank算法的核心药物挖掘方法包括如下步骤：1）组网阶段：a)预处理生成中药数据集，格式化为文本数据；b)将初始文本数据部署至Hadoop平台；c)并行化组建中药药物网络TCM；d)结束。2）挖掘阶段：a)获取步骤1-c处理生成的中药药物网络文本文件；b)将药物网络文本文件部署至Hadoop平台；c)实施并行化PageRank算法发现核心药物节点；d)结束。本发明的基于复杂网络模型并行化PageRank算法的核心药物挖掘方法建立了中药药物复杂网络模型，利用并行化技术提高了组网以及PageRank算法的可扩展性和运行速度，并且能有效挖掘复方中的关键核心药物节点，研究中药配伍规律。

说明书

技术领域

本发明涉及一种中药复杂网络建模，以及在该模型上采用并行化PageRank算法挖掘中 药核心药物的技术。

背景技术

数据挖掘技术可以在大量数据下发现潜在的、有用的知识，是计算机人工智能的重要组 成部分，利用数据挖掘技术可以实现对中药复方数据的智能分析，发现潜在中药配伍规律。 常用的数据挖掘模型都是基于事务项的，即把复方看成由多种药物组成的事务并储存在事务 数据库中。

随着中药复方数据规模的增加以及对更深层次挖掘的要求，传统的基于事务项模型的中 药关联规则、分类和聚类等算法已经难以满足中药数据挖掘的需求。而将复杂网络分析以及 并行计算引入中药数据挖掘中可以弥补传统数据挖掘的缺陷，并能直观展现药物间关系，加 速系统响应速度，是有效的创新和尝试。

复杂网络分析如今已经涉及到社会关系、经济、交通、生命科学等多个领域，能够展现 节点关系拓扑结构、模拟信息传播以及挖掘节点隐藏知识。利用中药复方数据构建中药复杂 网络打破了传统中药数据挖掘基于事务项的建模模型，可以深入研究中药配伍规律。其中利 用复杂网络中的PageRank算法可以挖掘中药的核心药物，其主要包括两方面的应用：

1)哪些药物是治疗特定病症最常见且最关键的药物，比如治疗哮喘、消渴症等给定病 症，哪些中药材用得多并且对组方来说最为关键。

2)哪些药物是在大量中药组方中常用到的关键药物，可以大量随机选取复方数据库中 的一些复方作为初始数据，研究其中关键的药物有哪些。在此与第一种应用不同的是这里并 没有给定症状，而仅仅是随机选择的大量复方数据。

PageRank算法是一种数据挖掘的方法，传统的PageRank算法不能在分布式并行环境下 运行，随着数据的激增，普通的算法不再适用于大规模数据。为了提高算法的可扩展性以及 可伸缩性，以便能在大量复方数据下快速高效运行算法，需要用到并行计算MapReduce编 程模式。该编程模式主要包括Map和Reduce两个过程，体现了分治和合并的思想。实现 MapReduce编程模式的系统框架有Google集群和Hadoop集群等。

发明内容

本发明目的是：解决实现中药复杂网络建模，并在该模型上采用并行化PageRank算法， 以快速发现中药核心药物。

为解决上述问题，本发明技术方案是：基于复杂网络模型并行化PageRank算法的核心药 物挖掘方法，包括如下步骤：

1)组网阶段：

a)预处理生成中药复方数据集，格式化为文本数据；所说的预处理为抽取中药复方数据 中所有复方的药物组成；每个中药复方均格式化为文本数据；

b)将初始文本数据部署至Hadoop平台，即开发分布式并行程序的平台；所说的部

署为将步骤a生成的初始文本数据上传至Hadoop的分布式文件系统(HDFS)；

c)并行化组建中药药物网络TCM；

具体过程如下：

1)为每个中药复方(一行文本数据)设定一个唯一复方标识ID；

2)建立从药物到复方标识ID之间的倒排索引；

3)为每个药物设定唯一药物标识id，并包含在复方中出现的频次；

4)再次建立倒排索引，还原中药复方的文本数据；

5)分布式并行程序的每个Map函数读取一行文本数据，解析出中药复方的药物节 点信息；

6)两两组合原复方中的药物，以按字典序小的药物ID加上频次作为Key，另一 个作为Value，以键值对<Key，Value>的形式经过shuffle & & sort(Hadoop平台自带 的两个步骤，主要对Key值进行排序整理等)发送到Reduce函数；

7)开发分布式并行程序的Reduce函数接收相同Key下组成的[Value]数组(即 Map函数传递的所有在该Key下的Value，结合上文来说即药物的ID与其出现频次)， 按照下式计算两两药物间度量，将大于设定阈值的药对写入文件并保存至HDFS中

${\mathrm{SC}}_{\mathrm{AB}}=\frac{|F_A\cap F_B|}{\min \left\{\right|F_A|,|F_B\left|\right\}}$

其中|F_A∩F_B|表示药物A、B一起组方的次数，min{|F_A|，|F_B|}表示药物A、B 中组方次数较少的药物的出现次数，而SC_AB表示药物A、B共现次数与最少出现药物 次数的比率；

8)读取6)中生成的药对文件，格式化为邻接表形式保存中药药物网络拓扑结构；

9)结束

d)结束。

2)挖掘阶段：

a)获取步骤1-c处理生成的中药药物网络文本文件；

b)将药物网络文本文件部署至Hadoop平台；步骤2-b中所说的部署为将步骤2-a生成的药 物网络文本文件上传至Hadoop的分布式文件系统；

c)实施并行化PageRank算法发现核心药物节点；

步骤具体过程如下：

1)每个Map函数读取一行文本，存入Hadoop自定义数据类型Text的变量Value中；

2)解析Value中数据，保存到临时数组Tmp[]；

3)传递节点信息(在分布式环境下维持整个网络结构)

4)从Tmp[]中解析出节点PageRankCentrality值(节点PageRank值的大小) 和节点的邻居节点，分别保存在变量P和临时链表AdjList中

5)令变量i为0

6)如果i小于临时链表长度AdiList.length，则发送 (前者为药物节点ID，后者为均分的 PageRankCentrality值)并执行7)，否则执行8)

7)i自增1，执行6)

8)Map函数过程结束，Hadoop分布式文件系统执行shuffle & & sort

9)Reduce函数解析[Value]数组，分别用数据结构AdjpageRank保存节点结构， 临时链表ls保存每个传递过来的PageRankCentrality值

10)令j＝0，p＝0

11)如果j小于临时链表长度ls.length，则|p＝p+ls.get(j)并执行12)，否则执 行13)

12)j自增1，执行11)

13)$\mathrm{AdjpageRank}.p\leftarrow \alpha *\frac{1}{\left|G\right|}+(1-\alpha )*p$(按照式2计算节点 PageRankCentrality值作为本次迭代最新的值)

14)保存结果至HDFS中

15)结束

d)结束。

本发明的有益效果是：本发明基于复杂网络模型并行化PageRank算法的核心药物挖掘方 法建立了中药药物复杂网络模型，利用并行化技术提高了组网以及PageRank算法的可扩展 性和运行速度，并且能有效挖掘复方中的关键核心药物节点，研究中药配伍规律。

附图说明：

图1为核心药物挖掘操作流程图。

图2为本发明的基于复杂网络模型并行化PageRank算法的核心药物挖掘方法的流程图。

图3为生成中药复杂网络TCM的流程图。

图4为利用TCM网络用并行化PageRank算法(某一次迭代)挖掘核心药物的流程图。

具体实施方式

下面结合附图对本发明进行详细说明。

如图1所示，核心药物挖掘通过方剂数据库查询、不规则文本数据提取等获取中药复方 数据，经数据规范化、格式化等预处理生成文本数据，然后在Hadoop平台上并行化组建中 药药物复杂网络，最后在该网络上运行并行化PageRank算法以发现核心药物。

中药复方数据组网与行化PageRank算法挖掘核心药物是该发明的主要步骤，本发明的思 路就是通过复杂网络建模和并行化PageRank算法有效挖掘核心药物，同时提高算法可扩展 性和运行速度。

本发明的基于复杂网络模型并行化PageRank算法的核心药物挖掘方法的流程图如图2所 示。

步骤0为本发明的核心药物挖掘方法的起始状态；

在组网阶段(步骤1-3)，步骤1是从数据库或者其他不规则文本数据中获取初始的中药 复方组网数据，并且格式化为文本数据以便上传至Hadoop平台的HDFS；

步骤2是利用MapReduce编程模式在初始数据集中并行组建中药药物TCM网络，包括两 次倒排索引以及两两组建药对联合键值对；

步骤3是把生成的中药药物网络保存至Hadoop平台的HDFS。

在挖掘阶段(步骤4-5)，步骤4在步骤3所生成的TCM网络中运行并行化PageRank算法；

步骤5是将挖掘出的结果保存至HDFS。

步骤6是本发明的基于复杂网络模型并行化PageRank算法的核心药物挖掘方法的结束步 骤。

图3是对图2中步骤2的详细描述。。

步骤20为起始步骤。

步骤21是为每个中药复方设定一个唯一的ID值，从标号1开始。

步骤22是建立药物到复方ID的倒排索引。

步骤23是为每个药物设定id，从标号1％N，其中N表示该药物在复方中出现的频次， 即倒排索引的长度。

步骤24对倒排索引进行还原，即再次实行倒排索引算法，每行复方读入此次任务的某个 Map函数中。

步骤25判断该Map函数中的复方所含药物还能否两两组建联合键值，可以即执行26，否 则执行27(注意此时应该是说该次任务的Map过程结束)。

步骤26为组建联合键值<Key，Value>(其中Key小于Value)。

步骤27为Reduce函数中利用式1计算SC_AB的值

${\mathrm{SC}}_{\mathrm{AB}}=\frac{|F_A\cap F_B|}{\min \left\{\right|F_A|,|F_B\left|\right\}}---\left(1\right)$

其中|F_A∩F_B|表示药物A、B一起组方的次数，min{|F_A|，|F_B|}表示药物A、B 中组方次数较少的药物的出现次数，而SC_AB表示药物A、B共现次数与最少出现药物 次数的比率。

步骤28为将结果保存至HDFS。

步骤29为图3的结束。

图4是对图2中步骤4中一次迭代的详细描述。。

步骤40为起始步骤。

步骤41为读取邻接表的一行数据，保存在变量Value中。

步骤42为解析Value变量，用临时数组Tmp[0]保存节点id，Tmp[1]保存邻接链表。 AdjList以及PageRankCentrality值P。

步骤43为发送节点结构以在分布式环境下保存节点结构。

步骤44令变量i＝0。

步骤45判断如果i小于AdjList.length，则并执行步骤46，否则执行步骤48。

步骤46表示发送$<\mathrm{AdjList}.\mathrm{get}\left(i\right),\frac{P}{\mathrm{AdjList}.\mathrm{length}}>.$

步骤47表示i目增1。

步骤48为Hadoop平台的Shuffle和Sort过程。

步骤49为Reduce接收到<Key，[Value]>。

步骤50为Reduce解析[Value]数组，分别用数据结构AdjpageRank保存节点结构，临 时链表ls保存每个传递过来的PageRankCentrality值。

步骤51令变量j＝0，p＝0。

步骤52判断如果j小于ls.length，则p＝p+ls.get(j)并执行步骤53，否则执行步骤54。

步骤53表示p累加临时链表ls的数值，j自增1。

步骤55表示用式2计算新的PageRankCentrality值

$P\left(n\right)=\alpha \left(\frac{1}{\left|G\right|}\right)+(1-\alpha )\underset{m\in L\left(n\right)}{\Sigma }\frac{P\left(m\right)}{C\left(m\right)}---\left(2\right)$

其中|G|是指药物节点总数，α是随机跳转因子(设置为0到1之间)，L(n)是连接药物 节点n的邻居节点，C(m)是药物节点m的邻居节点个数。

步骤55为更新AdjpageRank中的值为p。

步骤56表示保存新的AdjpageRank。

步骤57为图4的结束步骤。

注：PageRank算法有多次迭代，迭代的终点为网络中90％以上的节点P值稳定不变。