基于中醫方劑數據庫的Top-Rank-k頻繁模式挖掘算法

秦琦冰，譚 龍,2

(1.黑龍江大學 計算機科學技術學院，哈爾濱 150080； 2.黑龍江省數據庫與并行計算重點實驗室(黑龍江大學)，哈爾濱 150080)

(*通信作者電子郵箱tanlong@hlju.edu.cn)

基于中醫方劑數據庫的Top-Rank-k頻繁模式挖掘算法

秦琦冰1，譚 龍1,2*

(1.黑龍江大學 計算機科學技術學院，哈爾濱 150080； 2.黑龍江省數據庫與并行計算重點實驗室(黑龍江大學)，哈爾濱 150080)

(*通信作者電子郵箱tanlong@hlju.edu.cn)

為降低中醫(TCM)方劑頻繁模式挖掘過程中對經驗參數的依賴，提高挖掘結果的準確性，針對中醫方劑的數據特點，提出一種基于帶權無向圖的Top-Rank-k頻繁模式挖掘算法。該算法可以直接挖掘出頻繁k-itemset(k≥3)而無需產生1-itemset和2-itemset，并隨之快速回溯到核心藥物組合的頻繁項集所對應的方劑信息；此外，采用一種動態位向量(DBV)的壓縮機制對無向圖中邊的權重進行壓縮存儲，以有效地提高算法的空間存儲效率。分別對中醫方劑數據集、真實數據集(Chess、Pumsb和Retail)和合成數據集(T10I4D100K和Test2K50KD1)進行測試和比較，結果表明該算法與iNTK和BTK相比具有更高的時間和空間效率，而且也可以應用于其他類型的數據集。

中醫方劑；Top-Rank-k；頻繁模式；帶權無向圖；動態位向量

0 引言

數據挖掘指的是從大量的數據中通過相應的算法發現隱藏于其中未知且可能有用的信息[1-2]。在數據挖掘領域，頻繁模式挖掘始終扮演著至關重要的作用[3]。在傳統的頻繁模式挖掘過程中，用戶需要輸入最小支持度閾值來生成滿足條件的頻繁模式集合，因此傳統的頻繁模式挖掘可能會產生以下兩個問題[4]： 1)用戶很難準確設置合適的最小支持度，如果閾值太小可能會產生大量的頻繁模式，閾值太大可能會把某些關鍵信息過濾掉；2)傳統的頻繁模式挖掘結果中往往包含大量用戶不感興趣的關聯規則。

基于上述問題，Han等[5]提出了一種新的挖掘任務——Top-k的頻繁閉模式，其中k是被挖掘的頻繁閉模式的數量，并且模式的最小長度為min_l。為了更好地解決上述問題，Wang等[6]提出了一種有效的挖掘算法——TFP(Top-kFrequent Patterns)算法。然而，在Top-k的頻繁閉模式過程中，用戶同樣需要輸入參數min_l，這對于用戶同樣是很難精確把握的。在此基礎上，Deng等[7]提出了一種Top-Rank-k頻繁模式的挖掘任務，并且提出了解決該問題的FAE(Filtering And Extending)算法。與Top-k的頻繁閉模式不同的是，在Top-Rank-k頻繁模式挖掘過程中，用戶不需要設置參數min_l；由于此挖掘過程中是按照Rank-k對于候選模式進行篩選，因此能夠包含更多用戶感興趣的規則。

在上述學者的研究基礎上，Fang等[8]在FAE算法的基礎上，采用一種數據垂直分布的形式，將頻繁模式的計數轉化為一種Tid-lists相交操作，有效地提高了挖掘效率。Deng[9]將事務數據庫采用PPC-tree進行存儲，對所有的項集按照Node-list進行編碼，將Top-Rank-k頻繁模式挖掘轉化為Node-list的操作，提出了NTK(Node-list Top-Rank-K)算法。Huynh-Thi-Le等[10]在NTK算法的基礎上，將Subsume的概念及其相關性質應用到Top-Rank-k頻繁模式中，提出了iNTK(improved Node-list Top-Rank-K)算法。由于PPC-tree在構建采用“先建樹后編碼”的方式，所以該過程需要掃描兩次事務數據庫，隨著事務數據庫的增加，算法效率有待提高，因此Dam等[11]采用一種“邊建樹邊編碼”的方式，設計和實現了更加有效的數據結構——TB-tree，并在此基礎上采用B-list的方式進行編碼，提出了更加有效的BTK(B-list Top-Rank-K)算法。

本研究團隊一直從事中醫方劑中治療消渴病[12]方劑的數據挖掘工作。消渴病是以多飲、多食、多尿、身體消瘦，或尿濁、尿中有甜味為主要表現的一種臨床常見病、多發病，嚴重危害著人類的健康，中醫對于消渴病的預防和治療有著豐富而且獨特的經驗[13]，因此，對《中醫方劑大辭典》中收錄的治療消渴病腎陰虛型方劑的研究也尤為重要。在研究中發現，在實際中醫方劑數據挖掘中，用戶很難設置合理的最小支持度閾值，因此相比傳統的頻繁模式，Top-Rank-k頻繁模式挖掘更加具有實際應用價值。此外，治療消渴病相關癥型的方劑中往往存在大量的頻繁k-itemset，而相比1-itemset、2-itemset而言，k-itemset(k≥3)對于治療消渴病腎陰虛型也更具有重要的臨床參考價值。同時，在對方劑數據庫的Top-Rank-k頻繁模式挖掘過程中，上述傳統的算法在找到頻繁項集結果后，卻不能有效發現該頻繁項集所對應的方劑名稱，而方劑名稱和頻繁項集的對應關系，對方劑規律分析具有重要意義。

因此，針對上述研究問題，本文提出了一種基于帶權無向圖(Weighted Undirected Graph, WUG)的Top-Rank-k頻繁模式挖掘算法(Top-Rank-kfrequent patterns mining algorithm based on WUG, WUG_TK)。該算法在動態位向量(Dynamic Bit Vector, DBV)[14]的數據結構基礎上引入相關的性質對無向圖中的權重進行壓縮存儲，可以有效地提高空間效率；同時通過搜索頻繁項集環，大幅減少對原始數據庫的掃描次數，避免產生大量的候選項集，能夠直接有效地挖掘出滿足條件的k-itemset(k≥3)，并且快速回溯到該頻繁項集所對應的方劑名稱，提高對于中醫方劑數據挖掘效率。

1 系統模型

1.1 基本概念

本文系統模型為，存在項集I={I1,I2,…,Im}，事務數據庫D={〈TID,T〉|T?I}，其中：TID為代表每一條事務的標識符；T為項的集合稱為模式或者項集；T的支持度用Sup(T)表示。本文中所涉及到的概念介紹如下：

定義1 模式的Rank。假設存在某模式A，以及事務數據庫D，A模式的Rank記為RA，則：

RA=|{Sup(X)}|X?I∧Sup(X)≥Sup(A)}|

其中|Y|表示集合Y里面的元素數目。

例如在表1的事務數據庫中，I2分別出現在TID1、TID2、TID3、TID4、TID5模式中，Sup(I2)=5，通過計算其他模式的支持度可以發現Sup(I2)最大，因此{I2}的Rank為1，記為：RI2=1。

定義2Top-Rank-k頻繁模式。假設存在事務數據庫D和閾值k，?A?I，如果RA≤k，那么A為Top-Rank-k頻繁模式。

Top-Rank-k頻繁模式挖掘的目的是在給定的事務數據庫D和閾值k基礎上， 發現所有的模式Rank不超過k的模式集合，記為STop-Rank-k，則：

STop-Rank-k={X|X?I∧RX≤k}

例如在表1的事務數據庫中，假設k=3, 則滿足條件的Top-Rank-k頻繁模式如下所示：

STop-Rank-k={{I1},{I2},{I1I2},{I4},{I5},

{I1I4},{I1I5},{I2I4},{I2I5},{I1I2I4},{I1I2I5}}

文獻[7]中已經證明Top-Rank-k頻繁模式挖掘過程滿足反單調性，即：?模式A?B，如果模式A不是Top-Rank-k頻繁模式，那么B也一定不是Top-Rank-k頻繁模式。

表1 事務數據庫表

1.2 DBV數據結構

Top-Rank-k頻繁模式挖掘過程中，如何對數據進行高效存儲十分重要。Dong等[15]提出的BitTable-FI和Song等[16]提出的Index-BitTableFI都是根據事務的數量，采用一種基于數據垂直分布的定長的方式進行儲存。當處理數據比較稀疏時，BitTable-FI和Index-BitTableFI會造成空間的浪費，因此，本文采用一種更加高效的數據結構——動態位向量(DBV)[14]進行存儲，并且在此基礎上引入了有關DBV的定義以及與本文算法有關的性質和操作。

DBV數據結構包含兩個域，用二元組的形式表示：〈Pos，BVecor〉，其中:Pos表示存儲的第一個非0位的位置；BVecor表示從Pos開始到尾部最后一個非0位置的所有二進制位(本文中采取十進制的形式表示)。

例如，在表1中，n=5，在申請1個char類型存儲空間(8位)的情況下，按照從低位到高位的按位存儲，項I1存在的TID為2，3，4，5，即：t(I1)=〈0,1,1,1,1,0,0,0〉，項I1二進制位存儲方式如圖1所示。

圖1 項I1二進制位存儲方式

Fig.1BinarybitstoragemodeofitemI1

由此可見，當數據比較稀疏時，低位和高位存儲的0會造成空間浪費，因此采用DBV數據結構進行存儲，如圖2所示。

圖2 項I1的DBV存儲方式

在t(I1)=〈0,1,1,1,1,0,0,0〉中，存儲的第一個非0位的位置是1，所以Pos=1，則項I1的DBV存儲方式為：

DBV(I1)=〈1,〈1,1,1,1〉〉=

〈1,〈21+22+23+24=30〉〉=〈1,30〉

下面介紹兩個DBV之間的相交操作。

定義3 對于任意兩個DBV，假設DBV1=〈Pos1,BVector1〉，DBV2=〈Pos2,BVector2〉，當且僅當DBV1∩DBV2=DBV1時，DBV1是DBV2的子集，即：DBV1?DBV2。

定義4 對于任意兩個DBV，假設DBV1=〈Pos1,BVector1〉,DBV2=〈Pos2,BVector2〉，當且僅當Pos1=Pos2,|BVector1|=|BVector2|,?i∈[0,|BVector1|-1]，BVector1[i]=BVector2[i]，則DBV1與DBV2相等，即：DBV1=DBV2

性質1 對于任意兩個DBV，假設DBV1=〈Pos1,BVector1〉，DBV2=〈Pos2,BVector2〉，如果Pos1+|BVector1|

證明 當Pos1+|BVector1|

當Pos2+|BVector2|

對于兩個DBV之間的相交操作之前，首先要對于DBV1和DBV2進行相交操作，以判斷是否存在子集、相等、空集，如果存在，則由上述定義3、定義4和性質1直接進行計算。否則，從Posmax的位置對BVector進行&操作，如果&操作結果為0，則Posmax+1，直到&操作結果為1，則Posmax記錄下該位置；從該位置開始進行&操作，一直到剩余位都是0。具體算法DBV_Intersection如下所示：

Input:DBV1=〈Pos1,BVector1〉,DBV2=〈Pos2,BVector2〉 Output:DBV_finalProcedure DBV_Intersection(DBV1,DBV2)

1)

Pos=max(Pos1,Pos2)

2)

i=Pos1

3)

j=Pos1

4)

count=|BVector1|-i<|BVector2|-j?|BVector1|-i:|BVector2|-j

//intersection操作中的位數

5)

whilecount>0 andBVector1[i] &BVector2[j]=0

//找到第一個非零位

6)

i=i+1;j=j+1;

7)

Pos=Pos+1;count=count-1;

8)

i1=i+count-1;j1=j+count-1;

9)

whilecount>0 andBVector1[i1] &BVector2[j1]=0

//找到最后一個非零位

10)

i1=i1-1;j1=j1-1;

11)

count=count-1;

12)

Fork=0 tocount-1

//找到進行intersection操作的位置

13)

BVector[k]=BVector1[i] &BVector2[j]

14)

i=i+1;j=j+1; End procedure

如圖3中所示，DBV(I3)=〈0,〈1,1〉〉，DBV(I1)=〈1, 〈1,1,1,1〉〉，則從Pos_I1開始對DBV數據結構中的BVector進行&操作，則DBV(I1I3)=〈1,1〉=〈1,2〉。

圖3 I1和I3的DBV_Intersection

1.3 帶權無向圖

針對中醫方劑Top-Rank-k頻繁模式挖掘，本文采用一種帶權無向圖對于Top-Rank-k頻繁模式進行存儲，該算法可以直接產生更加符合中醫數據特點的頻繁模式(k-itemset,k≥3)，而且可以有效地回溯到該頻繁模式所對應的方劑名，這對于中醫方劑數據挖掘有著重要意義。另外，該算法還可以避免產生大量的候選項集，提高算法效率。

本文中帶權無向圖中的節點由項集I中的項組成；節點項之間如果是Top-Rank-k頻繁模式，則有邊；1-itemset為點集V；E為邊集；E(Vx,Vy)表示點Vx和Vy的邊；Top-Rank-k頻繁模式閾值為k。則有以下定義：

定義5 權重。假設存在項集X、Y，以及DBV(X)和DBV(Y)，如果DBV(XY)=DBV(X)∩DBV(Y)，則稱該DBV(XY)為X與Y之間的權重。

例如DBV(I3)={0,{1,1}}，DBV(I1)=〈1,〈1,1,1,1〉〉，則DBV(I1I3)=〈1,1〉=〈1,2〉,則DBV(I1I3)則為I1與I3之間的權重，Sup(I1I3)=|DBV(I1I3)|=1。

對于任意兩個項集X和Y，如果XY模式Rank不大于k，即：RXY≤k，則X與Y之間存在邊E(X,Y)，該邊加入到E中，同時weight(X,Y)=DBV(XY)。重復此過程生成可存儲Top-Rank-k頻繁模式的帶權無向圖，具體的生成算法Procedure WUG_GEN如下所示：

Input： Transactional DatabaseD,kOutput: WUG Procedure WUG_GEN(D,k)

1)

For eachVj∈L1

2)

For eachVi∈L1(i≠j)

3)

CountSup(VjVi) and sort in descending order bySup(VjVi)

4)

IfR(VjVi)≤k

5)

AddE(Vi,Vi) to Edge setE;

//增加邊E(Vi,Vi)到邊集E中

6)

weight(Vi,Vj)=DBV_Intersection

7)

End if;

8)

End for;

9)

End for;

End procedure

定理1 在給定的帶權無向圖中，對于某個點集合V′中任意兩點Vi和Vk，如果都存在一條邊E(Vi,Vk)∈E，則V′中所有的點構成一條Top-Rank-k頻繁項集環，即為Top-Rank-k頻繁項集。

證明 假設?Vi∈V(1≤i≤m),?V′=〈V1,V2,…,Vi, …,Vj, …,Vk〉,如果對于?Vi∈V′, ?Vj∈V′，使得E(Vi,Vj)∈E成立，由ProcedureWUG_GEN和Top-Rank-k頻繁模式挖掘過程中的反單調性[7]可知，{V1，V2，Vi,…,Vj, …，Vk}為Top-Rank-k頻繁項集，即存在一條Top-Rank-k頻繁項集環，該環路經過的頂點〈V1,V2,…,Vk〉即為滿足Rank條件的頻繁項集。

2 WUG_TK

本文在帶權無向項圖的基礎上，提出了一種Top-Rank-k頻繁模式挖掘算法(WUG_TK)。算法中使用帶權無向圖存儲Top-Rank-k頻繁模式，圖中頂點集合即為1-itemset，頂點之間邊的權值即為DBV(ViVj)，如果存在Top-Rank-k頻繁項集環，則環上面的頂點即為滿足Rank條件的頻繁項集。環路的每條邊的權值，進行與(&)操作，其結果即為頻繁項集所在的TID。該TID在具體中醫方劑數據處理中，即為頻繁藥物組合所對應的方劑名稱。

在上述生成的帶權無向圖(WUG)的基礎上，搜索Top-Rank-k頻繁項集環的操作見Procedure Mining_Top-Rank-k_Frequent Patterns算法，該算法調用Procedure Top-Rank-k_Frequent Patterns loop來完成對Top-Rank-k頻繁項集環的搜索。

Mining_Top-Rank-k_Frequent Patterns算法描述如下：

Input： WUG Output: Top-Rank-k_Frequent Patterns,TIDProcedureMining_Top-Rank-k_Frequent Patterns(WUG)

1)

WhileV≠?do

2)

ForeachVi,Vj(i≠j)ofV

3)

IfE(Vi,Vj)∈Ethen

//Vi,Vj之間有邊相連

4)

L=Vi∪Vj,V′=V-{Vi,Vj}

//L為其中任意兩點都有邊相連的點集合；

//V′為含有未搜索到的點的集合

5)

Search Top-Rank-k_Frequent Patterns loop(L,V′);

//調用Procedure Top-Rank-k_Frequent Patterns loop

//來搜索Top-Rank-k頻繁項集環

6)

End If;

7)

End For;

8)

End While;

End procedure;

Procedure Top-Rank-k_Frequent Patterns loop(L,V′)

1)

WhileV′≠nulldo

2)

ForunvisitedVkofV′

3)

IfE(Vk,?Vj∈V′)∈Ethen;

4)

L=L∪Vk,V′=V′-{Vk};

5)

OutputLandweight_&;

//輸出Top-Rank-k_Frequent Patterns和對應的TID

6)

Endif;

7)

Endfor;

8)

Endwhile;

Endprocedure

例如在表1事務數據庫中，設k=3，根據WUG_GEN算法：I1出現TID分別為2、3、4、5，則DBV(I1)=〈1,〈1,1,1,1〉〉=〈1,30〉，I2出現TID分別為1、2、3、4、5，則DBV(I2)=〈0,〈1,1,1,1,1〉〉=〈0,31〉，因為DBV(I1)是DBV(I2)的子集，則DBV(I1)∩DBV(I2)=DBV(I1)=〈1,〈1,1,1,1〉〉，則Sup(I1I2)=4，此時R(I1 I2)=1，則頂點I1頂點I2之間存在一條邊E(I1,I2)，weight(I1,I2)=〈1,〈1,1,1,1〉〉=〈1,30〉，以此類推可以生成如圖4所示的Top-Rank-3的頻繁模式圖。

圖4 Top-Rank-3的頻繁模式圖

根據Mining_Top-Rank-k_Frequent Patterns算法：對于WUG(V,E,W)中?E(Vi,Vj)∈E，例如圖1中的點I1和點I2，從V′=V-{I1,I2}={I4,I5}中選取點I4，則E(I4,I1)∈E，E(I4,I2)∈E，則點I1、點I2和點I4之間存在一條Top-Rank-3頻繁項集環，則I1I2I4為滿足Rank小于等于3的頻繁3-itemset，weight(I1,I2) &weight(I1,I4) &weight(I2,I4)=〈1,〈1,1,0,1〉〉，即I1I2I4出現的TID為2、3、5。同理可以由圖4可以生成Rank小于等于2的頻繁3-itemsetI1I2I5，I1I2I5出現的TID為3、4、5。

3 實驗與結果分析

3.1 實驗設置與結果

實驗環境為IntelCorei3-3110M2.4GHzCPU,4GBRAM，操作系統為Windows7。算法在VisualStudio2012，.NetFrameworkVersion4.5.50709的環境下實現。

中醫方劑實驗數據是從《中醫方劑大辭典》中收錄的治療消渴病腎陰虛型方劑中篩選出來的346首方劑，包含163味中藥藥材。針對數據的前期準備處理主要是針對藥物組成的規范，該規范包括：藥材的重名和異名處理、同名異方的處理、藥材計量單位的統一。在此規范數據基礎上，構建方劑數據庫。

通過對《中醫方劑大辭典》中收錄的方劑進行分析，初步按照編號、方劑名、組成、別名、性、味、歸經、功效等8個屬性進行描述，完成對原始數據庫的構建；然后利用基于帶權無向圖的Top-Rank-k頻繁模式挖掘算法對數據源存儲的方劑進行分析研究。

根據本次治療腎陰虛型方劑數量和用到的中藥個數，結合經驗判斷以及不同參數提取數據的預讀，篩選出部分有價值的Top-Rank-16的k-itemset(k≥3)及所對應的方劑名見表2。

表2 治療腎陰虛型組方中Top-Rank-16藥物核心組合

3.2 算法性能對比及分析

本文提出的WUG_TK算法主要與Huynh-Thi-Le等[10]的iNTK算法和Dam等[11]的BTK算法分別從運行時間、消耗空間作了對比實驗。對比實驗數據集分別采用中醫方劑數據集和公開測試數據集。中醫方劑數據集實驗數據采用《中醫方劑大辭典》中收錄的治療消渴病腎陰虛型和胃火熾盛型兩種癥型方劑。其中，治療腎陰虛型方劑共346首，包含163味中藥藥材；治療消渴病胃火熾盛方劑共382首，包含218味中藥藥材。公開測試數據集如表3所示，主要包括Chess、Pumsb和Retail三個真實數據集(http://fimi.ua.ac.be/data/)，以及T10I4D100K和Test2K50KD1人工合成數據集。其中人工合成數據集主要是由LUCS-KDD數據生成器合成的。算法運行時間的對比實驗在真實數據集上進行，結果如圖5所示；而算法消耗空間的對比實驗在人工模擬數據集上進行，結果如圖6所示。

表3 對比實驗數據集

圖5 算法運行時間對比

圖6 算法空間消耗對比

實驗中，三種算法通過設置不同的k值進行實驗比較。當平均項數目較小時，生成有效項集的概率就會降低，符合條件的Top-Rank-k的頻繁模式就會增多，挖掘代價也會相應增加。因此，實驗中對不同的實驗數據集選擇不同的閾值，從而保證實驗結果的有效性。

由于WUG_TK算法通過帶權無向圖直接產生k-itemset(k≥3)，避免了候選項集的產生，而iNTK和BTK都采取了“建樹-編碼”的過程，與之相比，WUG_TK算法不需要對數據集中的項集進行編碼，而是在構造完成的帶權無向圖上直接搜索符合Rank條件的頻繁模式環，從而大幅提高了算法的運行效率，因此WUG_TK算法性能明顯優于iNTK和BTK算法。

由于WUG_TK算法中對于權重采用DBV的壓縮數據結構進行存儲，可以有效地提高空間利用率，而iNTK算法和BTK算法在運行過程中都需要采用臨時表對中間結果集進行存儲，從而也造成了過大開銷。因此本文提出的WUG_TK算法在空間效率上也優于iNTK算法和BTK算法。

4 結語

本文根據中醫方劑的數據特點，提出了一種基于帶權無向圖的Top-Rank-k頻繁模式挖掘算法WUG_TK。該算法在不產生1-itemset和2-itemset的前提下，可以直接產生k-itemset(k≥3)，更加符合中醫方劑挖掘的需求；同時WUG_TK可以回溯到頻繁項集所在的方劑名，這對方劑規律分析具有重要意義；此外，WUG_TK算法中采用DBV數據結構對于無向圖中的權重進行壓縮存儲，可以有效地降低空間復雜度。實驗結果表明，WUG_TK算法與iNTK和BTK算法相比具有更高的時間和空間效率。

由于本文中DBV數據結構采取了一種位向量的方式進行動態壓縮存儲，當處理的數據過于稠密時，數據中往往存在大量的非0位，此時DBV的壓縮效果還有待提高。另外，由于中醫方劑Top-Rank-k頻繁模式挖掘中往往存在冗余，這就會造成挖掘效率的降低，下一步將針對如何在挖掘過程中減少信息冗余進行研究。

References)

[1] SOLANKI S K, PATEL J T.A survey on association rule mining [C]// ACCT 2015： Proceedings of the 2015 5th International Conference on Advanced Computing & Communication Technologies.Washington, DC: IEEE Computer Society, 2015: 212-216.

[2] CHEN H, LI T, LUO C, et al.A decision-theoretic rough set approach for dynamic data mining [J].IEEE Transactions on Fuzzy Systems, 2015, 23(6): 1958-1970.

[3] KARTHIKEYAN T, RAVIKUMAR N.A survey on association rule mining [J].International Journal of Advanced Research in Computer and Communication Engineering, 2014, 3(1): 5223-5227.

[4] LE B, VO B, HUYNH-THI-LE Q, et al.Enhancing the mining top-rank-kfrequent patterns [C]// SMC 2014: Proceedings of the 2014 IEEE International Conference on Systems, Man and Cybernetics.Piscataway, NJ: IEEE, 2014: 2008-2012.

[5] HAN J, WANG J, LU Y, et al.Mining top-k frequent closed patterns without minimum support [C]// ICDM ’02: Proceedings of the 2002 IEEE International Conference on Data Mining.Washington, DC: IEEE Computer Society, 2002: 211-218.

[6] WANG J, HAN J, LU Y, et al.TFP: an efficient algorithm for mining top-kfrequent closed itemsets [J].IEEE Transactions on Knowledge and Data Engineering, 2005, 17(5): 652-664.

[7] DENG Z-H, FANG G-D.Mining top-rank-kfrequent patterns [C]// Proceedings of the 2007 International Conference on Machine Learning and Cybernetics.Piscataway, NJ: IEEE, 2007: 851-856.

[8] FANG G-D, DENG Z-H.VTK: vertical mining of top-rank-kfrequent patterns [C]// FSKD’08: Proceedings of the 2008 5th International Conference on Fuzzy Systems and Knowledge Discovery.Washington, DC: IEEE Computer Society, 2008, 2: 620-624.

[9] DENG Z-H.Fast mining top-rank-kfrequent patterns by using node-lists [J].Expert Systems with Applications, 2014, 41(4): 1763-1768.

[10] HUYNH-THI-LE Q, LE T, VO B, et al.An efficient and effective algorithm for mining top-rank-kfrequent patterns [J].Expert Systems with Applications, 2015, 42(1): 156-164.

[11] DAM T-L, LI K, FOURNIER-VIGER P, et al.An efficient algorithm for mining top-rank-kfrequent patterns [J].Applied Intelligence, 2016, 45(1): 96-111.

[12] 吳長汶,張轉喜,吳水生,等.從五味太過探討“甘邪”與消渴病因的關系[J].中華中醫藥雜志,2015(3):670-672.(WU C W, ZHANG Z X, WU S S, et al.Exploration on the relationship between the sweet-evil and consumptive thirst pathogenesis based on theory of excess of five kinds of taste [J].China Journal of Traditional Chinese Medicine and Pharmacy, 2015(3): 670-672.)

[13] 榮開明.復興中醫藥學的幾點思考[J].湖北中醫藥大學學報,2015,17(2):59-62.(RONG K M.Considerations on revival of TCM [J].Journal of Hubei University of Chinese Medicine, 2015,17(2):59-62.)

[14] VO B, HONG T-P, LE B.DBV-Miner: a dynamic bit-vector approach for fast mining frequent closed itemsets [J].Expert Systems with Applications, 2012, 39(8): 7196-7206.

[15] DONG J, HAN M.BitTableFI: an efficient mining frequent itemsets algorithm [J].Knowledge-Based Systems, 2007, 20(4): 329-335.

[16] SONG W, YANG B, XU Z.Index-BitTableFI: an improved algorithm for mining frequent itemsets [J].Knowledge-Based Systems, 2008, 21(6): 507-513.

This work is partially supported by the National Natural Science Foundation of China (81273649), Natural Science Foundation of Heilongjiang Province (F201434), Graduate Student Innovation and Research Item of Heilongjiang University (YJSCX2016- 018HLJU).

QIN Qibing, born in 1990, M.S.candidate.His research interests include machine learning, data warehouse, data mining.

TAN Long, born in 1971, M.S., associate professor.His research interests include machine learning, sensor network, data mining.

Top-Rank-kfrequent patterns mining algorithm based on TCM prescription database

QIN Qibing1, TAN Long1,2*

(1.CollegeofComputerScienceandTechnology,HeilongjiangUniversity,HarbinHeilongjiang150080,China;2.KeyLaboratoryofDatabaseandParallelComputingofHeilongjiangProvince(HeilongjiangUniversity),HarbinHeilongjiang150080,China)

The dependency of the empirical parameters in frequent patterns mining of Traditional Chinese Medicine (TCM) prescriptions should be reduced to improve the accuracy of mining results.Aiming at the characteristics of TCM prescription data, an efficient Top-Rank-kfrequent patterns mining algorithm based on Weighted Undirected Graph (WUG) was proposed.The new algorithm can directly mining frequentk-itemset (k≥3) without mining 1-times and 2-times, and then quikly backtrack to the corresponding prescription of the frequent itemsets of core drugs combination.Besides, the compression mechanism of Dynamic Bit Vector (DBV) was used to store the edge weights in undirected graph to improve the spatial storage efficiency of the algorithm.Experiments were conducted on TCM prescription datasets, real datasets (Chess, Pumsb and Retail) and synthetic datasets (T10I4D100K and Test2K50KD1).The experimental results show that compared with iNTK (improved Node-list Top-Rank-K) and BTK (B-list Top-Rank-K), the proposed algorithm has better performance in terms of time and space, and it can be applied to other types of data sets.

Traditional Chinese Medicine (TCM) prescription; Top-Rank-k; frequent pattern; Weighted Undirected Graph (WUG); Dynamic Bit Vector (DBV)

2016- 08- 12;

2016- 09- 08。 基金項目:國家自然科學基金面上項目(81273649);黑龍江省自然科學基金面上項目(F201434);黑龍江大學研究生創新科研項目重點項目(YJSCX2016-018HLJU)。

秦琦冰(1990—),男,山東濰坊人,碩士研究生,主要研究方向:機器學習、數據倉庫、數據挖掘; 譚龍(1971—),男,黑龍江哈爾濱人,副教授,碩士,CCF會員,主要研究方向:機器學習、傳感器網絡、數據挖掘。

1001- 9081(2017)02- 0329- 06

10.11772/j.issn.1001- 9081.2017.02.0329

TP311.13

A