全 文 ：中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1430·
数据挖掘与复杂网络的融合及其在中医药领域应用
吕庆莉
陕西中医药大学基础医学院，陕西 咸阳 712046
摘 要：传统中医药作为中华历史的瑰宝，在经历时间淘洗后沉淀下大量的珍贵经验和价值数据。数据挖掘和复杂网络作为
数据处理及知识发现的有效手段，分别从统计性和复杂性角度描述数据，并被广泛应用于现代中医药学研究中。数据挖掘偏
向于发掘表层统计规律，缺乏对于系统内在机制的深入讨论；复杂网络主要通过网络角度描述系统结构，长于在功能复杂性
中发掘普适规律，但在大数据处理中存在局限。分析了数据挖掘及复杂网络在中医药领域的应用及各自存在的问题，并给出
2 种模式整合的方法及框架，以脑血管疾病中医用药为例，构建其中医用药属性拓展网络，并结合改进的重叠社区发现
（COPRA）算法挖掘中医用药重叠社团，探讨中药方剂配伍规律。该方法可在原有基础上有效发掘非频繁项集的药性关联规
律，为中药配伍提供依据。
关键词：数据挖掘；复杂网络；中医药；范式整合；配伍规律
中图分类号：R28 文献标志码：A 文章编号：0253 - 2670(2016)08 - 1430 - 07
DOI: 10.7501/j.issn.0253-2670.2016.08.031
Integration of data mining and complex networks and its application in
traditional Chinese medicine
LV Qing-li
Basic Medical College of Shaanxi University of Chinese Medicine, Xianyang 712046, China
Abstract: The traditional Chinese medicine (TCM) as a treasure of the Chinese history, has deposited lots of precious experience and
valuable data. As an effective mean of data processing and knowledge discovery, data mining and complex networks are used to
describe the data from the statistics and complexity, and are widely used in the research of modern TCM. Data mining bias to explore
the surface of the statistical law, lack for an in-depth discussion of the inner mechanism of the system; While the complex network
mainly describes the system structure through the perspective of network and good at exploring the universal law in the functional
complexity, but there are limitations in the large data processing. To analyze on the applications and problems of data mining and
complex networks in the field of TCM, give two methods and frame of paradigms integration, construct Chinese medicine property
development network in case of cerebral vascular disease, and excavate the regularity of compatibility of TCM combined with
pharmaceutical association and improved COPRA algorithm. The experimental results show that the method can effectively explore
the association rules of the infrequent itemsets, and provide the basis for the compatibility of Chinese herbal medicine.
Key words: data mining; complex networks; traditional Chinese medicine; paradigms integration; regularity of compatibility

与基于还原论的西医学不同的是，中医学在重
视运动与功能的同时，强调系统整体的统一性，主
张综合内外环境对机体阴阳平衡进行辨证论治，是
在唯物论、辨证法思想指导下，经过长期临床实践形
成的具有整体观、辨证观及分形观的系统医学[1-4]。
经过数千年的发展，中医药积累了大量的各种
类型的数据，这些庞杂的数据除了提供丰富信息之
外，也体现出明显的海量信息特征[5]。因此，数据
挖掘等技术被广泛应用到中医药领域中，并取得了
一定的研究成果[6-7]。但中医从整体和功能层次讨论
和研究人体，长无形而主运动[2]，而基于数据归纳
及机器学习的数据挖掘局限于发掘表层统计规律，
缺乏对于系统内在机制或内涵的讨论。随着复杂系
统理论研究的不断深入，结合中医学的整体观，越
来越多的学者开始将复杂网络应用于中医药领域研
究中。复杂网络范式虽充分重视系统普适规律及内

收稿日期：2015-11-05
基金项目：陕西省科技厅课题（2014K14-02-02）
作者简介：吕庆莉（1975—），女，副教授，主要研究领域为数据挖掘和计算机应用等。E-mail: 287475806@qq.com
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1431·
涵，却在中医药大数据的分析与处理方面受到一定
的制约。数据挖掘及复杂网络两种范式有效整合的
契机已经来临[8]。
本文在分别讨论了数据挖掘及复杂网络在中医
药领域应用的基础上，进一步探讨了两者交叉应用
的实例，提出了范式整合及其在中医药大数据处理
的应用框架。
1 数据挖掘在中医药领域的应用
数据挖掘又称知识发现，其任务是发现隐藏在
大量数据中的规律或模式，即从大量的、不完全的、
有噪声的、模糊的、随机的数据集中识别有效的、
新颖的、潜在有用的以及最终可被理解的模式的非
平凡过程[5]。
数据挖掘主要用于预测和描述，其研究内容包
括分类、聚类、回归、关联、规则和偏差等，常用
方法包括统计分析、关联规则、决策树、模糊理论、
粗糙集、人工神经网络及遗传算法等[9-10]。在中医
药领域，数据挖掘应用主要有以下几方面。
1.1 中医药文献数据挖掘
中医学发展历史悠久，因此在诊断、辨证到组
方等各环节，积累了包括典籍、医案、验方、秘方
等在内的海量的中医药文献资源。但由于数量巨大、
形式多样及缺乏规范等原因，导致了中医药信息具
有非线性、模糊性、复杂性及非定量等特征[11]。而
通过数据挖掘，对中医药信息进行文本分类、聚类、
关联分析等文本挖掘，将有效提取非结构化文本中
的模式知识，促进中医药信息化、结构化，从而促
进中医药现代化发展[6]。
黄允瑜等[12]收集中医药治疗肥胖和高脂血症
的相关文献，运用文本挖掘研究临床用药规律，发
现中医药治疗肥胖和高脂血症的处方虽有交集，但
其治疗的核心药物却大不相同；杨燕等[13]通过对
129 例气不足医案中症状及体征的统计分析，初步
归纳了其临床表征；李靖等[14]统计并分析了《清宫
医案集成》中止咳方药的使用频率及用药规律，并
探讨了治疗咳嗽的相关经验。
1.2 中医诊断学数据挖掘
中医诊断学数据挖掘主要包括中医证候标准化
及中医四诊客观化。通过对中医诊断学数据挖掘，
可以归纳出中医辨证规律及推理过程，发掘“司外
瑞内、见微知著、以常衡变”下的深层内涵，进一
步将专家知识规范化、科学化，为中医药专家系统
及知识库的构建提供指导。
李仕进等[15]基于 K 近邻分类（KNN）及贝叶斯
的挖掘算法对古方进行“症-症”关系研究，判定了
方剂的主治证及兼治症；周金海等[16]分析了舌诊与
八纲辨证间的非线性关系，并利用人工神经网络
（ANN）构建中医舌诊知识库；薛飞飞等[17]归纳和
总结了数据挖掘在中医四诊及证候研究中的应用，
并讨论了数据与知识的有效性结合所面临的问题。
1.3 中医药临床数据挖掘
中医临床主张在“理-法-方-药”指导下进行辨证
论治，而受经验、流派等影响，致使临床施治主观性
强[18]。通过对名老中医方药的数据挖掘，可获得其临
床诊疗及用药规律，在满足中医药临床用药灵活性的
前提下进一步探索中医药内涵及其科学性。
唐仕欢等 [19]采用分层抽样及简单随机抽样
（SRS）抽样，统计分析了大量中医内科内服汤剂处
方，为规范饮片用量提供依据；王雪峰等[20]应用数
据挖掘研究小儿肺炎中医疗效评价指标和方法；王
萍等[21]运用频数分析技术，总结了唐旭东教授治疗
慢性萎缩性胃炎（CAG）的各证型辨证用药规律。
1.4 中药复方数据挖掘
中药复方是在“君臣佐使”原则下，经过辨证、
审因及论治而形成的复杂的药味混合体，是中医方
剂的主体组成，是中医用药的主要形式。中药复方
数据挖掘包含药物配伍规律、配伍禁忌、病症-复方、
药性-药效-药对分析等。通过挖掘中药复方数据，
对于阐明复方配伍的科学内涵、完善中药药性理论、
指导中药复方开发等具有深刻意义。
张天崇等[22]利用频数分析、聚类及关联规则等
对相关中药复方进行分析，探讨了肺纤维化用药规
律；朱恒民等[23]采用决策树（ID3）、支持向量机
（SVN）等方法构建分类器并对中药提取时间及溶
媒量建立回归预测模型，量化了参数指标及水平；
胡雅凌等[24]从历代典籍中收集有关小柴胡汤类方
的方剂，利用关联规则的数据挖掘方法得到与小柴
胡汤类方配伍相关的频繁项集，并对主要药物、药
对、药组规律进行探讨。
1.5 中医药数据挖掘中存在的问题
中医药数据特点可进一步概括为①数据多样
性：中医药数据时间跨度大、来源广泛、类型不一；
②数据复杂性：因收集及处理工艺导致中医药数据
不完备或存在冗余，由于历史及人为因素致使信息
缺乏统一标准与规范，并可能涉及个人隐私；③数
据非定量：中医药数据多为定性描述，缺少科学统
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1432·
一的定量表达；④数据时效性：因证候及药理作用
不同，使得部分中医药数据具有一定的时效性[11,25]。
由于中医药数据的上述特点，在数据挖掘过程
中单纯应用某一挖掘方法往往只能获取针对研究对
象的片面表达，不同方法的融合有助于全面挖掘内
在规律；而数据挖掘通过统计归纳及机器学习处理
对象，偏向于发掘表层统计规律，缺乏对系统内在
机制或内涵的深入讨论。
2 复杂网络在中医药领域的应用
复杂网络指通过将复杂系统内部元素抽象为节
点，元素间关系抽象为边，从而构建的具有复杂关
联关系的网络。通过这种抽象，复杂网络仅保留了
系统内部组织结构及关联关系，过滤了其他复杂信
息，从而使得研究者可以专注于复杂系统内部特征
及性质。而随着小世界（small world）特性[26]及无
标度（scale free）网络[27]的提出，复杂网络性质更
新为自组织、自相似、吸引子、小世界和无标度等，
其相关研究也相继进入一个新的阶段。
复杂网络的拓扑模型主要分为规则网络、随机
网络、小世界网络及无标度网络等，其统计特征主
要包括度及度分布、节点相似性、平均路径及网络
直径、聚集系数及介数等[3,28]。而在中医药领域，
复杂网络应用主要有以下几方面[3,29]。
2.1 中药药性网络
中药药性即中药在临床过程中体现的性质、功
能及趋势，包括四气五味、升降浮沉、归经、毒性
等，是中药区别于其他化学药物的根本特征[30]。机
体状态、化学物质及生物学效应构成中药药性核心
三要素[31]。鉴于中药药性的多维性，加之“三要素”
将药性与生物系统相关联，复杂系统科学被引入到
中药药性理论研究过程中。
翟华强等[31]基于中药药性 3 要素假说，从复杂系
统为切入点，确定了“化学成分-机体状态-生物效应-
生物数学分析”4 段式研究模式；曹佳等[32]通过构建
亲缘药物网络，从化学成分的微观层面，利用网络分
析讨论了亲缘药物间的关联关系及药性特征。
2.2 中药功效网络
中药功效是在中医药理论指导下对药物治疗作
用的高度概括[33]，是药物对人体作用机制的中医学
表达。建立在中药药性的多维性基础上，中药功效
的作用机制表现为多成分、多靶点、多环节等通过
有机整合而构成的复杂网络。
王耘等[34]提出了中药功效在分子、模块及概
念 3 个层次的复杂网络定义，给出了网络构建的基
本方法与途径，并总结和展望了中药功效网络在中
药研究中的应用；过红玲等[33]在构建中药功效概
念网络的同时，结合网络聚类（NeMo）算法发掘
连锁出现的功能群，并以活血功效网络为例分析了
该子网络的用药配伍规律。
2.3 中药方剂网络
方剂学是研究中药方剂组成、变化和临床运用
规律的一门学科，主要包括方剂组成的原则、使用
及变化等[35-36]。中药方剂网络的构建主要有中药-
中药、中药-方剂及方剂-方剂 3 种。中药-中药网络
中将方剂中每味药抽象为节点，根据是否在同一方
剂中确定各味药节点间是否存在边关联，因此由不
同方剂抽象出的完全图相互关联，进而形成中药复
杂网络；中药-方剂网络构建则将单味药及方剂分别
作为节点，根据单味药与方剂的从属关系进行关联；
方剂-方剂网络则视方剂为节点，根据不同方剂间是
否存在同味药进行关联。
刘婷等[37]利用复杂网络构建 3 种网络，并通过
其拓扑特征及与中药方剂配伍规律分析发现，前两
者网络具有复杂网络特征，与中药方剂配伍间存在
潜在的内部关系；龙伟等[38]通过构建中药方剂网络
及中药化学空间进行网络分析，验证中药配伍禁忌
理论；周雪忠等[39]介绍了复方药物配伍网络的构建
及节点度分布特性，利用网络分析方法寻找核心处
方；黄源等[40]通过构建慢性阻塞性肺疾病（COPD）
治疗方剂的药物配伍网络并对其进行统计分析，挖
掘中医论治 COPD 的核心药物、核心处方及相关用
药配伍规律。
2.4 中医药复杂网络应用存在的问题
复杂网络源于非线性科学、统计物理及复杂
性科学[8]。复杂网络通过抽象网络结构及关系，
利用系统论构建复杂网络模型，并引入动力学分
析关联及涌现，具有系统性、普适性、演化性。
但根据现有研究发现，复杂网络在中医药研究中
仍存在一些问题[41-44]：（1）缺少对系统功能的深
入讨论。中医药复杂网络研究多集中在对网络结
构的描述，且仅停留在较粗糙的层面，或过于微
观，如仅讨论节点的度及簇等局部性质，或仅着
眼于网络全局，如网络平均距离及网络直径等，
同时缺乏从微观到宏观的过度以及细粒度分析复
杂网络内涵的手段。（2）在幂律分布拟合、节点
相似性分析等方面存在主观性的经验判断，缺乏
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1433·
必要的理论分析及证明。（3）大数据的分析与处
理能力有待提高。中医药中生物-中药-方剂-病症
多层次复杂网络的构建涉及多种节点及关联关
系，研究如何快速、准确、系统地发掘有针对性
价值的数据或规律具有重要意义。（4）仅关注复
杂网络的功效性，而忽略了其固有的脆弱性。在
互联网络中，节点或边遭受攻击将影响网络的整
体性能甚至崩溃。而在中医药复杂网络中，因中
医药信息数量巨大、质量难以刻画，同样存在影
响复杂网络连通性及稳定性的节点或边，如何加
强网络鲁棒性建设值得研究。
3 数据挖掘与复杂网络的融合
在大数据处理中，数据挖掘与复杂网络各有
所长又各有所需。因此，2 种范式的有效整合显
得尤为迫切，一些学者对此进行了卓有成效的研
究工作。东昱晓等[45]针对链路预测提出节点引力
算法，在考虑节点相似性的同时兼顾节点间相互
关系；刘大有等[46]通过研究网络中环路紧密度与
社区结构的关系，提出一种基于环路紧密度的复
杂网络社区挖掘算法。相对与信息领域，在中医
药研究中，仍多是仅通过数据挖掘或是复杂网络
讨论中药配伍及用药规律，从而使得研究结果不
可避免地存在其研究方法的固有局限。但近年
来，王映辉等 [47]、李爱峰 [48]结合复杂网络与互
信息方法分析挖掘名老中医用药经验；黄源等[40]
利用复杂网络及数据挖掘研究临床药物组方及
配伍规律。2 种范式在中医药领域的整合及应用
已初见端倪。
3.1 范式整合框架
沈斌[8]在分析和总结了数据挖掘和复杂网络范
式特征基础上，给出了范式整合的方向与路径，本
文将以中药配伍规律研究为例，探讨 2 种范式整合
的方法及框架（图 1）。
（1）数据挖掘与复杂网络面向的均是领域内的
海量异质数据，而这类数据普遍含有噪声并存在重
复或不一致、高纬度、稀疏性等特点。在运用复杂
网络分析前，可利用数据挖掘进行自动化清洗、集
成、变换及规约，从而通过预处理得到满足条件的


图 1 数据挖掘和复杂系统整合框架
Fig. 1 Integrated framework of data mining and complex networks
Application Biosystem SocialNetworks
Power
Nerworks
Neural
Networks
Result
Modification
Degree
Distribution
Average
Length
Clustering
Coefficient
Degree
Similarly
Logistics
Analysis
Neutral
Networks
Genetic
Algorithm
Decision
Tree
Data Analysis
Data Mining Classification Clustering Regression Association Analysis
Networks Regular
Networks
Random
Networks
Small-world
Networks
Scale-free
Networks
Data
Reduction
Data
Conversion
Data
Integration
Data
Cleaning
Data
Preprocessing
Big Data Meta Data Master Data Historical Transactional
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1434·
结构化数据。对于中药配伍而言，首先需对处方进
行中文分词、过滤、特征选择、文本建模等，得到
描述处方文本特征的关键词向量。
（2）数据挖掘方法通常采用分类、聚类或关联规
则等方法对预处理数据进行基于统计的特征分析，而
缺乏对系统内在机制的讨论。但通过构建基于领域知
识的复杂网络，可从系统的角度对内部节点间相互作
用进行描述。在中药配伍研究中，可根据聚集系数调
节初始聚类中心对相似处方进行聚类、结合节点相似
度提取常用药对或发现禁忌配伍，从而对数据分析过
程进行简化或对实验结果进行修正。
3.2 脑血管疾病用药网络应用分析
结合数据挖掘与复杂网络整合方法，本文以脑
血管疾病用药为例，构建中药用药属性拓展网络（主
要包括性味、归经及功效等）[49]，并根据改进的重
叠社区发现算法（community overlap propagation
algorithm，COPRA）算法[50]，发掘中医用药重叠社
团，分析中医用药的配伍规律。
3.2.1 数据来源 实验数据来源于陕西中医药大学
脑血管疾病临床用药、陕西中医药资源普查成果数
据库及数字化标本馆，共选取 279 味脑血管疾病用
药方剂，其中主要中药 136 味、性味 13 种、归经
14 种、功效 86 种。
3.2.2 数据预处理 针对实验数据，数据预处理阶
段主要实现对方剂药物及其性味、归经及功效等内
容的提取，通过文本挖掘诸如实体挖掘、特征提取、
同异名处理、上下文指代消解等方法实现。
3.2.3 复杂网络构建
（1）中药用药复杂网络构建：采用基于互信息
的药物间关联度进行组网，同时引入配伍禁忌集合
提高组网效率和准确率。具体描述：对于任意中药
对（drug1、drug2），当两者出现在配伍禁忌中，则
结束此次组网；否则，计算方剂集合对药物的关联
增益，当大于阈值时进行组网。算法如下：
TCMFCreat（DrugSet，FormulaSet，Incompatibility
Set，x）
Input：药物集合 DrugSet，方剂集合 FormulaSet，
禁忌集合 IncompatibilitySet，关联度阈值 x。
Output：用药网络之边集合 EdgeSet
① For each drug1，drug2 in DrugSet
② If drug1≠drug2
③ If Incom（drug1，drug2）＝true
④ Break
⑤ If Sim（drug1，drug2）＞x
⑥ EdgeSet. Add（drug1，drug2）
⑦ Return EdgeSet
其中，Incom（drug1，drug2）为 2 种药物是否
出现在禁忌配伍中；Sim（drug1，drug2）为计算方
剂集合对 2 种药物的关联度增益，具体计算见式（1）。
Sim (drugi, drugj)＝log
))(drug(drug
)drug(drug
ji
ji
P
,P ×
)drug(drug
1
ji ,Len
（1）
其中，P (drugi)、P (drugj) 分别表示药物 drugi，
drugj 所在方剂集合中出现的概率；P (drugi, drugj)
为 drugi、drugj 同时出现在同一方剂中的概率。为解
决相似度量方法在中药方剂组网应用中不均衡情况
下易产生单向依赖关系和对组方长度不敏感等不
足[49]，式（1）在原有互信息计算的基础上引入药
物 drugi 和 drugj 的平均组方长度 Len (drugi, drugj)，
具体计算见式（2）。
Len (drugi, drugj)＝ N
,L jim )drug(drug （2）
其中，Lm (drugi, drugj) 为同时含有药物 drugi
和drugj的方剂m的组方长度，N为药物drugi和drugj
同时出现在方剂集合中的次数。
（2）属性拓展网络构建：根据“属性扩展图”
方法[49]，将中药性味、归经及功效等属性作为虚
拟节点添加到之前构建的中药用药复杂网络中，
得到脑血管疾病用药属性拓展图，具体统计特征
见表 1。
表 1 脑血管疾病用药属性拓展图特征统计
Table 1 Characteristic statistic of augmented graph on
drug properties for cerebrovascular disease
属性 特征值
节点 249
药物边 287
性味边 353
归经边 512
功效边 661

3.2.4 实验与分析 采用改进的 COPRA 算法[50]
进行用药社团挖掘，其实验结果中主要用药社团见
表 2、3。
其中，表 2 给出了脑血管疾病的用药社团挖掘
分类，表 3 为增加了属性拓展后得到的用药社团分
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1435·
表 2 脑血管疾病用药社团
Table 2 Set of cerebrovascular disease drugs
编号 药物集合
1 红花、益母草、大蓟、小蓟、川芎、延胡索
2 藕节、黄芩、白及
3 牛膝、王不留行、月季花、穿山甲、凌霄花
4 土鳖虫、斑蝥、虻虫
类。由此可知，添加属性后的药物社团划分更加明
确，对于表 2 中的用药社团 1，通过属性拓展可进
一步细化为表 3 中的温、凉两类；同时，新的药物
或组合出现在用药属性拓展社团中，有利于挖掘基
于性味归经的新社团。
4 结语
数据挖掘擅于处理各类数据并从中发现隐藏规
表 3 脑血管疾病用药属性拓展社团
Table 3 Augmented set of drug properties for cerebrovascular disease
编号 药物集合 性味 归经 功效
1 红花、川芎、延胡索、乳香、益母草 辛，温 心，肝 活血、化瘀
2 大蓟、小蓟 苦，甘，凉 心，肝 凉血
3 藕节、白及、仙鹤草 涩 肝，肺 止血
4 牛膝、王不留行、甘草、穿山甲 苦，平 肝 活血、通经
5 凌霄花、土鳖虫、斑蝥、虻虫 寒 肝 破血

律；复杂网络着重从网络角度描述系统结构功能并
发掘普适规律。探究数据挖掘与复杂网络 2 种范式
的融合，将有效解决复杂网络在大数据分析与处理
方面的瓶颈，加强数据挖掘对系统内在机制的发掘。
本文主要讨论了数据挖掘及复杂网络在中医
药领域中的应用及问题，结合 2 种模式的整合方向
及路径，给出了 2 种模式整合的方法及框架，并以
脑血管疾病为例构建中药用药属性拓展网络，结合
药物社团挖掘探讨中药方剂配伍规律。结果表明，
该方法可在原有基础上有效发掘关联药对、尤其是
非频繁项集的药性关联规律，从而为中药配伍研究
提供依据。
参考文献
[1] 刘志军, 欧阳恒. 浅析中医学论治体系 [J]. 中医药研
究, 2001(1): 3-4.
[2] 姚春鹏. 中国哲学与中国医学 [A] // 全国中医学方法
论研讨会论文集 [C]. 北京: 中华中医药学会, 2008.
[3] 孙继佳, 蒋 健, 严广乐, 等. 复杂网络理论及其在中
医学研究中的应用 [J]. 复杂系统与复杂性科学, 2008,
5(2): 55-61.
[4] 邓 宇, 朱栓立, 施仲源, 等. 中医分形集 [J]. 数理医
药学杂志, 1999, 12(3): 264-265.
[5] 李凌艳, 李认书, 孙 鹤. 数据挖掘技术在中药研究中
的应用 [J]. 中草药, 2010, 41(5): 851-853.
[6] 姚美村, 袁月梅, 艾 路, 等. 数据挖掘及其在中医药
现代化研究中的应用 [J]. 北京中医药大学学报, 2002,
25(5): 20-23.
[7] 田 琳, 阎英杰, 朱建贵, 等. 数据挖掘及其在中医药
领域中的应用 [J]. 中国中医基础医学杂志 , 2005,
11(9): 710-712.
[8] 沈 斌. 复杂网络与数据挖掘: 研究范式的比较和整
合 [J]. 复杂系统与复杂性科学, 2014, 11(1): 48-52.
[9] 王光宏, 蒋 平. 数据挖掘综述 [J]. 同济大学学报:
自然科学版, 2004, 32(2): 246-252.
[10] 钟 晓, 马少平, 张 钹, 等. 数据挖掘综述 [J]. 模式
识别与人工智能, 2001, 14(1): 48-55.
[11] 杜建强, 聂 斌. 数据挖掘在中医药领域应用研究进
展 [J]. 中国中医药信息杂志, 2013, 20(6): 109-112.
[12] 黄允瑜, 陈慕芝, 郑 光, 等. 基于文本挖掘技术的肥
胖和高脂血症处方规律研究 [J]. 中国实验方剂学杂
志, 2011, 17(9): 236-238.
[13] 杨 燕, 彭 锦, 胡镜清, 等. 宗气不足证临床表征医
案文献分析 [J]. 中国中医药信息杂志, 2015, 22(1):
36-39.
[14] 李 婧, 吴立旗, 童文新, 等. 基于数据挖掘分析《清
宫医案集成》止咳方药的应用 [J]. 中华中医药杂志,
2015, 30(1): 270-273.
[15] 李仕进, 陈 蓉, 田 玲, 等. 基于贝叶斯方法的中医
“症-证”分析 [J]. 计算机工程, 2008, 34(1): 212-214.
[16] 周金海, 杨 涛, 沈大庆, 等. 基于 ANN 的中医舌诊
八纲辨证知识库构建与应用 [J]. 计算机应用研究 ,
2010, 27(5): 1771-1772.
[17] 薛飞飞, 陈家旭. 数据挖掘在中医诊断学中的应用 [J].
中医杂志, 2009, 50(3): 200-202.
[18] 吴立旗, 童文新, 徐凤芹. 数据挖掘技术在中医临床观
察分析中的应用 [J]. 中国中西医结合杂志 , 2012,
32(8): 1146-1148.
[19] 唐仕欢, 杨洪军, 黄璐琦, 等. 中医临床处方饮片用量
调研报告 (内科) [J]. 中国中药杂志 , 2008, 33(19):
2257-2263.
中草药 Chinese Traditional and Herbal Drugs 第 47 卷 第 8 期 2016 年 4 月

·1436·
[20] 王雪峰, 董 丹, 梁茂新, 等. 数据挖掘技术在小儿肺
炎中医临床疗效评价研究中应用的思路与方法 [J]. 中
国中西医结合杂志, 2007, 27(10): 949-951.
[21] 王 萍, 唐旭东. 唐旭东教授治疗慢性萎缩性胃炎用
药经验数据挖掘分析 [J]. 北京中医药大学学报: 中医
临床版, 2013, 20(1): 25-30.
[22] 张天崇, 张 素, 李秀娟, 等. 治疗肺纤维化中药复方
用药规律的数据挖掘 [J]. 中国中医药信息杂志, 2011,
18(2): 31-34.
[23] 朱恒民, 刘文杰, 王宁生. 数据挖掘技术在优化中药提
取工艺中的应用 [J]. 计算机与应用化学, 2006, 23(3):
233-236.
[24] 胡雅凌, 游强华, 王 萍. 基于数据挖掘方法的小柴胡
汤类方配伍规律分析 [J]. 新中医 , 2012, 44(1):
103-105.
[25] 贾李蓉, 崔 蒙. 中医药科学数据研究进展 [J]. 南京
中医药大学学报, 2012, 28(5): 495-497.
[26] Watts D J, Su Shibing S H. Collective dynamics of small
world networks [J]. Nature, 1998, 393(6684): 440-442.
[27] Barabasi A L, Albert R. Emergence of scaling in random
networks [J]. Science, 1999, 286: 509-512.
[28] 刘建香. 复杂网络及其在国内研究进展的综述 [J]. 系
统科学学报, 2009, 17(4): 31-34.
[29] 严蓓华, 杨 铭, 陈佳蕾, 等. 复杂网络在中医药方面
的研究和应用 [J]. 中国实验方剂学杂志, 2012, 18(7):
276-280.
[30] 张 冰, 翟华强, 林志健, 等. 从“三要素”理念探讨
中药药性之核心构成 [J]. 北京中医药大学学报, 2007,
30(10): 656-657.
[31] 翟华强, 张 冰, 艾明要, 等. 基于复杂系统的中药药
性理论研究思考 [J]. 北京中医药大学学报 , 2008,
31(8): 522-524.
[32] 曹 佳, 王 耘. 基于化学成分关系药物网的亲缘植
物药药性研究 [J]. 中国中药杂志 , 2013, 38(3):
453-458.
[33] 过红玲, 顾 浩, 王 耘, 等. 中药功效概念网络构建
及其应用 [J]. 世界科学技术—中医药现代化, 2013,
15(4): 638-642.
[34] 王 耘, 张燕玲, 史新元, 等. 中药功效网络的构建及
应用 [J]. 世界科学技术—中医药现代化, 2008, 10(5):
105-108.
[35] 罗 静, 徐 浩, 周雪忠, 等. 基于复杂网络的不稳定
型心绞痛中药配伍应用规律研究 [J]. 中国中西医结合
杂志, 2014, 34(12): 1420-1424.
[36] 李 昕, 王天芳, 薛晓琳, 等. 运用复杂网络分析中医
药治疗肝炎肝硬化的用药规律 [J]. 中华中医药杂志,
2013, 28(5): 1495-1499.
[37] 刘 婷, 赵忻艺, 蔡小军, 等. 中药方剂网络初探 [A] //
全国方剂组成原理高峰论坛 [C]. 黄山: 中国中医科
学院, 2012.
[38] 龙 伟, 邳 馨, 向 剑, 等. 中药方剂网络与中药化
学空间的构建与分析 [J]. 北京中医药大学学报, 2011,
34(11): 729-732.
[39] 周雪忠, 刘保延, 王映辉, 等. 复方药物配伍的复杂网
络方法研究 [J]. 中国中医药信息杂志, 2008, 15(11):
98-100.
[40] 黄 源, 杨 铭, 陈佳蕾, 等. 基于复杂网络的中医药
治疗慢性阻塞性肺疾病的用药配伍特点 [J]. 中国实验
方剂学杂志, 2012, 18(15): 7-11.
[41] 吕琳媛, 陆君安, 张子柯, 等. 复杂网络观察 [J]. 复杂
系统与复杂性科学, 2010, 7(2): 173-186.
[42] 周 涛, 张子柯, 陈关荣, 等. 复杂网络研究的机遇与
挑战 [J]. 电子科技大学学报, 2014(1): 1-5.
[43] 张莹莹, 陈寅萤, 王 忠, 等. 药物-疾病复杂网络的模
块化解构 [J]. 中国药理学通报 , 2013, 29(11):
1499-1502.
[44] 欧阳敏, 费 奇, 余明辉, 等. 复杂网络的功效性与脆
弱性研究综述 [J]. 计算机科学, 2008, 35(6): 1-4.
[45] 东昱晓, 柯 庆, 吴 斌. 基于节点相似性的链接预测
[J]. 计算机科学, 2011, 38(7): 162-164.
[46] 刘大有, 杨建宁, 杨 博, 等. 基于环路紧密度的复杂
网络社区挖掘方法 [J]. 吉林大学学报: 工学版, 2013,
43(1): 98-105.
[47] 王映辉, 周雪忠, 张润顺, 等. 利用复杂网络与点式互
信息法分析挖掘名老中医用药经验研究 [J]. 中国数字
医学, 2011, 6(4): 76-80.
[48] 李爱峰. 基于复杂网络与互信息的聂莉芳教授治疗原
发性肾病综合征经验研究 [D]. 北京: 中国中医科学
院, 2012.
[49] 李 茹, 孙 正, 王崇骏, 等. 中药方剂药物属性的组
网模型 [J]. 智能系统学报, 2014, 9(2): 148-153.
[50] 孙道平, 高 原, 谢 隽, 等. 一种用于中药方剂网络
重叠社区发现的改进 COPRA 算法 [J]. 南京大学学报:
自然科学版, 2013, 49(4): 483-490.