張浩浩　周璐　孫燕　徐鳳芹　李宇航

摘要 以《傷寒論》的辨證論治原則為指導，提出一種模擬醫(yī)生進行辨證論治思維的計算機模型設(shè)計。該模型設(shè)計基于Neo4j的圖數(shù)據(jù)構(gòu)建技術(shù)、Cypher語言的圖模式匹配技術(shù)以及Jaccard相似度公式，旨在實現(xiàn)對輸入癥狀進行分析、推理，以明確病證的診斷及鑒別診斷的結(jié)果，并給出對應的治療方劑，即模擬《傷寒論》中“觀其脈證，知犯何逆，隨證治之”的辨證論治過程，以期為中醫(yī)臨床輔助診療模型的構(gòu)建提供借鑒與啟發(fā)。

關(guān)鍵詞 傷寒論;辨證論治;圖數(shù)據(jù);模式匹配;拓撲結(jié)構(gòu);Neo4j;Cypher;Jaccard

Computerized Modeling of Medical Principle Design Based on Syndrome Differentiation and Treatment in the Treatise on Cold Damage and Graph Data Pattern Matching

Zhang Haohao1，Zhou Lu1，Sun Yan1，Xu Fengqin2，Li Yuhang1

（1 School of Chinese Medicine，Beijing University of Chinese Medicine，Beijing 100029，China; 2 Xiyuan Hospital，China Academy of Chinese Medical Sciences，Beijing 100091，China）

Abstract Guided by the principle of syndrome differentiation and treatment in the Treatise on Cold Damage，this paper proposes a computer model design that simulates doctors′ thinking of syndrome differentiation and treatment.The model design is based on Neo4j′s graph data construction technology，Cypher language′s graph pattern matching technology and Jaccard′s similarity formula，aiming at analyzing and reasoning the input symptoms to clarify the diagnosis and differential diagnosis results of the disease and syndrome，and to give the corresponding therapeutic formula.It simulates the syndrome differentiation and treatment of “watching the pulse and syndrome，knowing the problem，and treating it based on the syndrome” in the Treatise on Cold Damage，in order to provide reference and enlightenment for the modeling of clinical assistant diagnosis and treatment in traditional Chinese medicine.

Key Words Treatise on Cold Damage; Syndrome differentiation and treatment; Graph data; Pattern matching; Topological structure; Neo4j; Cypher; Jaccard

中圖分類號：R222.2;R24文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2019.09.062

《傷寒論》是我國第一部理法方藥完備，理論聯(lián)系實踐的醫(yī)學經(jīng)典著作[1]。其第16條“觀其脈證，知犯何逆，隨證治之”，確立了中醫(yī)臨床診療的特征性法則——辨證論治，奠定了千百年來中醫(yī)臨床診療的不朽之基。

隨著21世紀智能化技術(shù)的發(fā)展，辨證論治與智能技術(shù)結(jié)合，進行臨床輔助診療系統(tǒng)的研究，有望幫助臨床醫(yī)生更高效地利用醫(yī)學知識分析患者病情，精準的制定治療方案，提高臨床診療效果。

目前，這一研究已經(jīng)取得了諸多可喜進展，如基于BP神經(jīng)網(wǎng)絡[2-3]、貝葉斯網(wǎng)絡[4-5]開發(fā)的計算機診療模型。但這些模型的實現(xiàn)均是基于大量高質(zhì)量醫(yī)案數(shù)據(jù)，利用機器學習技術(shù)從中自學習出臨床癥狀與診斷、處方間的匹配規(guī)則，建立診療模型。高質(zhì)量醫(yī)案數(shù)據(jù)的不足或醫(yī)案雖多但質(zhì)量過低，都將難以保證匹配規(guī)則的準確提取，導致欠擬合或過擬合的發(fā)生，使模型實際應用效果不佳。高質(zhì)量臨床醫(yī)案數(shù)據(jù)的稀缺，在一定程度上制約了利用機器學習技術(shù)進行模型的構(gòu)建。

得益于近年來認知科學與數(shù)據(jù)庫技術(shù)的進步，出現(xiàn)了可模擬人類認知結(jié)構(gòu)與聯(lián)想思維的圖數(shù)據(jù)庫與圖模式匹配技術(shù)，這些技術(shù)的出現(xiàn)將有望直接基于已有的中醫(yī)藥知識完成推理、決斷等擬人思維的辨證論治過程，從而減少了大規(guī)模高質(zhì)量醫(yī)案數(shù)據(jù)的依賴，降低了建模數(shù)據(jù)的獲取難度，這為構(gòu)建模擬辨證論治的臨床診療模型提供了一種新的建模方案。因此，本研究將基于圖數(shù)據(jù)庫與圖模式匹配技術(shù)，根據(jù)《傷寒論》的辨證論治原則，提出一種模擬醫(yī)生辨證論治思維的臨床診療模型設(shè)計框架，以期為臨床輔助決策模型的構(gòu)建提供借鑒與啟發(fā)，現(xiàn)將結(jié)果報道如下。

1 《傷寒論》與辨證論治

《傷寒論》確立了中醫(yī)辨證論治體系的基本框架與臨床理法方藥應用的基本規(guī)范，為中醫(yī)學臨床醫(yī)學的發(fā)展奠定了堅實的基礎(chǔ)。所謂“辨證論治”，指的是將四診所收集的資料，運用中醫(yī)學理論進行分析、綜合，辨清疾病的病因、性質(zhì)、部位以及邪正之間的關(guān)系，概括、判斷為某種性質(zhì)的證候并據(jù)此確立相應的治則和治法，選擇適當?shù)闹委熓侄魏头椒▉硖幚砑膊〉乃季S和實踐過程[6]。因此，辨證論治的實踐過程可概括為如下3個步驟：1）全面采集臨床癥狀——“觀其脈證”;2）對采集的癥狀進行綜合分析，確認病機，明確證候診斷——“知犯何逆”;3）據(jù)證立方——“隨證治之”。

千百年來，辨證論治有效地指導著臨床實踐，成為中醫(yī)臨床診療的基本原則。在中醫(yī)診療智能化趨勢日趨加深的當下，辨證論治思想是構(gòu)建中醫(yī)臨床輔助診療模型的重要理論指導。

2 圖數(shù)據(jù)與圖數(shù)據(jù)庫

2.1 圖數(shù)據(jù)

1968年美國唐納德·克努特（Donald Ervin Knuth）教授在所著的《計算機程序設(shè)計藝術(shù)》第1卷《基本算法》中第1次詳細梳理了計算機各種數(shù)據(jù)的邏輯結(jié)構(gòu)和存儲結(jié)構(gòu)，圖數(shù)據(jù)便是其中之一[7]。所謂的圖數(shù)據(jù)（Graph Data，GD）指的是以圖的形式來表示事物和事物間的映射關(guān)系。所謂的圖（Graph）指的是一個包含節(jié)點（Node）和關(guān)系（Relationship）的對象，屬性（Property）包含于節(jié)點和關(guān)系中[8]。圖1以“《傷寒論》相關(guān)知識”為例說明了圖的各個組件，并給出了它們之間如何相互關(guān)聯(lián)的可視化表示。這種“點邊點”的圖數(shù)據(jù)結(jié)構(gòu)與人類認知結(jié)構(gòu)中的拓撲有向圖結(jié)構(gòu)相符，是一種模擬人類聯(lián)想、認知與推理思維路徑的數(shù)據(jù)結(jié)構(gòu)。

相比于關(guān)系型數(shù)據(jù)，圖數(shù)據(jù)更擅長表示事物間的復雜關(guān)系，我們所熟知的社會網(wǎng)絡、生物網(wǎng)絡和動態(tài)網(wǎng)絡傳輸圖正是通過構(gòu)建圖數(shù)據(jù)，來展示實體與實間復雜多樣的關(guān)系，從而取得了良好的說明效果。

基于圖結(jié)構(gòu)的數(shù)據(jù)表現(xiàn)形式，更加符合人類聯(lián)想的認知思維，將其作為知識的載體引用于本研究課題，將提升中醫(yī)藥知識表達的充分性和準確性，從而為“辨證論治”構(gòu)建更加完備的知識數(shù)據(jù)庫。

2.2 圖數(shù)據(jù)庫

圖數(shù)據(jù)庫（Graph Database，GDB）作為圖數(shù)據(jù)的載體，使用圖來存儲、映射和查詢關(guān)系，因而也被稱作面向圖形的數(shù)據(jù)庫[9]。圖數(shù)據(jù)庫致力于數(shù)據(jù)的高效存儲和快速查詢，相比于傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，圖數(shù)據(jù)庫更善于處理大量復雜、互連接、低結(jié)構(gòu)化的數(shù)據(jù)，這些數(shù)據(jù)變化迅速，需要頻繁的查詢——在關(guān)系數(shù)據(jù)庫中，這些查詢會導致大量的表連接，因此會產(chǎn)生性能上的問題。隨著研究與開發(fā)的不斷深入，圖數(shù)據(jù)庫的應用范圍已從典型的模式識別、顯微照片的分析發(fā)展到偵測、遙感、軟件設(shè)計等領(lǐng)域[10-12]。

當下，圖數(shù)據(jù)庫技術(shù)已具備輔助中醫(yī)診療的潛力，可用以解決中醫(yī)的知識表達和存儲問題。其中，Neo4j是一個開源圖數(shù)據(jù)庫，它被設(shè)計用于解決數(shù)據(jù)不斷高速增長而產(chǎn)生的數(shù)據(jù)存儲問題，已成為目前最受歡迎的圖數(shù)據(jù)庫。國外已有學者將Neo4j應用于生物醫(yī)學領(lǐng)域的報道[13-16]，如Armin Deffur等人[16]利用Neo4j構(gòu)建起大型生物學知識圖數(shù)據(jù)庫，通過挖掘、分析大數(shù)據(jù)集與人類病理生物學的復雜聯(lián)系來捕獲疾病狀態(tài)的分子特征，解決了組學數(shù)據(jù)上下文功能解釋的難題。

3 圖數(shù)據(jù)與模式匹配

模式匹配（Pattern Matching）是數(shù)據(jù)結(jié)構(gòu)中字符串的一種基本運算，即給定一個子串，要求在某個字符串中找出與該子串相同的所有子串。假設(shè)P是給定的子串，T是待查找的字符串，要求從T中找出與P相同的所有子串，這就構(gòu)成了模式匹配問題。模式匹配相當于人類大腦將收集到的信息與記憶中的知識進行匹配從而獲取對事物認知的思維過程。

圖數(shù)據(jù)與模式匹配的結(jié)合形成了圖模式匹配（Graph Pattern Matching）。作為模式匹配的一種，圖模式匹配的結(jié)果是以圖而不是以傳統(tǒng)的字段信息的形式展現(xiàn)，這使我們可以更為直觀地捕獲和理解實體間的關(guān)系。圖模式匹配技術(shù)現(xiàn)已被廣泛用于知識發(fā)現(xiàn)、生物學、化學信息學、動態(tài)網(wǎng)絡流量以及社交網(wǎng)絡和智能分析等熱點研究領(lǐng)域[17]。

在中醫(yī)學領(lǐng)域，病、癥、證、方、藥等術(shù)語概念所表示的實體間存在著多維多階的聯(lián)系，如何總結(jié)和把握這些復雜的聯(lián)系以指導臨床，一直是困擾中醫(yī)人的難題。

我們設(shè)想，將圖數(shù)據(jù)與模式匹配相結(jié)合用于中醫(yī)藥知識表達與檢索，一方面可以充分展現(xiàn)和挖掘中醫(yī)藥領(lǐng)域?qū)嶓w間的顯性知識和隱性聯(lián)系，另一方面，通過模擬人類的認知過程可以準確地匹配需要查詢的信息，從而更好地服務于中醫(yī)臨床診療。

Neo4j不但可進行圖數(shù)據(jù)庫的構(gòu)建，而且其自帶的Cypher查詢語言簡潔、生動，可進行拓撲結(jié)構(gòu)的數(shù)據(jù)匹配，其有向圖的拓撲結(jié)構(gòu)，與大腦思維類似[18]，有助于建立符合中醫(yī)思維特點的檢索路徑，也為圖數(shù)據(jù)的匹配提供了技術(shù)支持。

綜上所述，上述技術(shù)為辨證論治計算機模型模擬大腦記憶與匹配，實現(xiàn)知識到應用提供了技術(shù)保證。綜合這些技術(shù)，在辨證論治的理論框架下，將有望設(shè)計出一種具有擬人思維的智能體，用于輔助中醫(yī)診療。

4 基于圖數(shù)據(jù)與圖模式匹配的計算機建模醫(yī)理設(shè)計

本節(jié)將圍繞“構(gòu)建《傷寒論》辨證論治知識圖數(shù)據(jù)庫”和“計算機模擬辨證論治思維”2個主題進行詳細闡述。

4.1 構(gòu)建辨證論治知識圖數(shù)據(jù)庫

辨證論治知識圖數(shù)據(jù)庫的構(gòu)建是計算機模擬拓撲認知的基礎(chǔ)和進行辨證論治的前提。我們以Neo4j進行圖數(shù)據(jù)庫概念層和實體層的設(shè)計，概念層用于表達數(shù)據(jù)的類別與數(shù)據(jù)間的關(guān)聯(lián)，實體層用于存儲具體的數(shù)據(jù)。

4.1.1 圖數(shù)據(jù)庫的概念層設(shè)計 概念層描述了數(shù)據(jù)庫里存儲什么數(shù)據(jù)和數(shù)據(jù)之間的聯(lián)系，是數(shù)據(jù)庫的總體視圖。中醫(yī)學中有病、癥、證、方、藥等基本的術(shù)語概念，這些概念描繪了中醫(yī)藥知識的總體框架。因此，我們將病、癥、證、方、藥等作為圖數(shù)據(jù)庫的概念“節(jié)點”，以主治、藥物組成等描述事物間聯(lián)系的術(shù)語作為“關(guān)系”，形成以（藥）->[組成]->（方劑），（方劑）->[主治]->（證）等“三元組”描述的概念層，以此劃分方式作為概念層的設(shè)計方案。表1給出了概念層表述規(guī)范，圖2給出了概念層設(shè)計樣式。

4.1.2 圖數(shù)據(jù)庫的實體層設(shè)計 實體層由概念層對應的實例組成。例如，《傷寒論》中，“太陽病”是“六經(jīng)病”對應的實例，“發(fā)熱”“惡寒”等癥狀是“癥”對應的實例，“傷寒表實”是“證”對應的實例，“麻黃湯”是“方”對應的實例，“麻黃”“桂枝”等藥物則是“藥”對應的實例。這些領(lǐng)域?qū)嶓w間通過相互連接而形成的關(guān)系用具有“主治”“組成”等含義的“邊”進行表示，如“麻黃（節(jié)點）組成（關(guān)系）麻黃湯（節(jié)點）”。大量的“節(jié)點”與“邊”的相互連接，便形成了拓撲有向圖結(jié)構(gòu)的辨證論治知識主體。圖3給出了實體層設(shè)計樣式。

從圖3可看出，“節(jié)點”與“邊”之間的相互連接，描繪出從一點發(fā)散至多點的辨證論治的思維路徑。如太陽病出現(xiàn)“發(fā)熱”“惡寒”“喘”“周身疼痛”“脈浮緊”的癥狀，可通過檢索路徑“（發(fā)熱）、（惡寒）、（喘）、（周身疼痛）、（脈浮緊）->[Corresponding_to]->（傷寒表實）<-[Treat]<-（麻黃湯）<-[Part_of]<-（麻黃）、（桂枝）、（杏仁）、（炙甘草）”，獲取相應的診斷和方藥結(jié)果，從而進行有針對性的治療。

綜上所述，通過以上設(shè)計方案，形成了“癥->證->方->藥”的鏈式連接，這可模擬人的拓撲有向圖認知結(jié)構(gòu)，因此，更易于表達辨證論治的思維路徑，發(fā)現(xiàn)知識間的關(guān)聯(lián)。

由于知識的重要性與復雜性，本課題下一步的研究還需在領(lǐng)域?qū)＜业闹笇c幫助下，依據(jù)以上設(shè)計理念進行該數(shù)據(jù)庫的具體構(gòu)建。

4.2 計算機模擬中醫(yī)辨證論治思維

在構(gòu)建完成的《傷寒論》辨證論治知識圖數(shù)據(jù)庫的基礎(chǔ)上，根據(jù)《傷寒論》第16條“觀其脈證，知犯何逆，隨證治之”的辨證論治原則和步驟，利用圖數(shù)據(jù)庫與圖模式匹配技術(shù)。見圖4。將該計算機模型設(shè)計為如下3個運行環(huán)節(jié)：1）輸入癥狀，將其映射到數(shù)據(jù)庫中的節(jié)點，即“觀其脈證”;2）對映射的癥狀等節(jié)點進行匹配分析，明確映射的診斷結(jié)果，即“知犯何逆”;3）根據(jù)診斷結(jié)果檢索方藥，即“隨證治之”。

1）、2）2個環(huán)節(jié)分別模擬“觀其脈證，知犯何逆”的診療過程，在技術(shù)層面，利用Neo4j的Cypher語句的圖模式匹配技術(shù)和Jaccard（杰卡德）相似度計算公式[19-20]對其進行設(shè)計。環(huán)節(jié)3）根據(jù)確立的診斷選擇相應的治療方藥模擬了“隨證治之”的診療過程，該環(huán)節(jié)將使用Cypher語句的圖模式匹配技術(shù)進行設(shè)計。

簡而言之，以上設(shè)計完成的是“癥->證->方->藥”的分析、推理流程，即據(jù)癥辨證，以證立法，以法統(tǒng)方的辨證論治過程。

上述的3個計算機運行環(huán)節(jié)通過下列程序設(shè)計實現(xiàn)，其中Cypher指令說明見表2：

#Step1：輸入癥狀，映射到數(shù)據(jù)庫中的節(jié)點

Input：X

MATCH（n：Symptom）WHERE n.name in X

MATCH（n）-[r：Corresponding_to]->（C）RETURN COLLECT（C.name）

#Step2：對映射的癥狀等節(jié)點進行匹配分析，明確映射的診斷結(jié)果

For c in C：

MATCH（n：Syndrome）WHERE n.name=c

MATCH（y：Symptom）-[r：Corresponding_to]->（n）RETURN COLLECT（y.name）AS B

If t>Threahold：

MATCH（n）WHERE n.name=c

#Step3：根據(jù)診斷結(jié)果檢索方藥

MATCH（m：Herb）-[r：Part_of]-（q：Formula）-[r：Treat]->（n：Syndrome）

RETURN COLLECT（m.name），COLLECT（q.name）

注：#為注釋，X為輸入的癥狀，C為候選診斷，t為Jaccard相似指數(shù)，threahold為輸出閾值。

Step1將輸入癥狀（數(shù)據(jù)）與圖數(shù)據(jù)庫中的癥狀（數(shù)據(jù)）進行模式匹配，通過檢索（Symptom）-[Corresponding_to]->（Syndrome）這一鏈式路徑，輸出可能的候選診斷，模擬醫(yī)生將收集到的病例信息與記憶中的醫(yī)學知識進行匹配，初步分析病情的思維過程，即“觀其脈證”的過程。

Step2旨在對候選診斷進行篩選，其篩選過程是運用Jaccard公式計算候選診斷所對應的的癥狀與輸入癥狀的相似度，判斷2者是否契合，以此模擬大腦對“癥”與“證”之間契合度的聯(lián)想與認知，即“知犯何逆”的過程。本例中Jaccard公式為：

輸出閾值（threahold）可由醫(yī)生自主設(shè)定，當t超過閾值則輸出該證型結(jié)果。需要說明的是若輸出了2個或2個以上的證型結(jié)果即復合證型，可將相似指數(shù)較高的結(jié)果判定為主要證型，其余的證型判定為次要證型。當然，醫(yī)生也可根據(jù)臨床實際，僅選取相似指數(shù)較高的結(jié)果作為最終診斷，不考慮次要證型的存在;若無結(jié)果輸出，可通過適當降低輸出閾值使結(jié)果盡可能輸出，但此時診斷結(jié)果的客觀性降低，醫(yī)生尤須謹慎。

Step3根據(jù)輸出的證型結(jié)果，通過檢索（Herb）-（Part_of）-（Formula）-（Treat）->（Syndrome）這一鏈式路徑，輸出相應的方劑和藥物結(jié)果，模擬“隨證治之”的過程。

5 討論

在“觀其脈證，知犯何逆，隨證治之”的辨證論治思維指導下，本模型設(shè)計展現(xiàn)出了一定的擬人診療思維過程，可降低對大規(guī)模質(zhì)量醫(yī)案數(shù)據(jù)的依賴，但尚存在以下問題值得進一步深入研究。

5.1 癥狀權(quán)重的差異 癥狀是中醫(yī)辨證論治的基礎(chǔ)。在不同的證型中，癥狀的重要性不盡相同，如“無汗”這一癥狀對于判斷是傷寒表實證的重要性較高，而對判斷是太陽病中風表虛證的重要性則較低，在計算機中，它們同樣應當體現(xiàn)為每一個癥狀對于證型診斷權(quán)重的不同，但本模型在進行癥狀與證型的模式匹配中，實際上是將癥狀“平等對待”而忽略了它們之間的差異性，這無疑對診斷結(jié)果的合理性產(chǎn)生了一定影響。此類問題有望進一步通過吉布斯采樣的方法賦予癥狀權(quán)重，加以解決。

5.2 方劑的加減化裁 方劑的加減化裁是指方劑通過藥味加減、藥量加減和劑型變換，使方藥與病證吻合的過程[21]。面對復雜的臨床癥狀，本模型雖然通過對映射的癥狀等節(jié)點進行匹配以及Jaccard相似度的計算結(jié)果排序，輸出證型并判定出主證與兼證，進而檢索出相應主證與兼證的方藥，但這種方藥輸出的過程僅是在主方的基礎(chǔ)上，對多個治療兼證的方劑相加。因此，如何在確立主證對應主方的基礎(chǔ)上，根據(jù)兼證的病機特點與主方中已有的藥物進行加減化裁，更好地契合當前出現(xiàn)的病證是本設(shè)計有待完善的方面。

6 展望

本文提出構(gòu)建的創(chuàng)新模型將《傷寒論》辨證論治思想和計算機領(lǐng)域涌現(xiàn)的圖數(shù)據(jù)庫和圖模式匹配技術(shù)結(jié)合起來，模擬辨證論治思維，為輔助中醫(yī)智能化診斷奠定了基礎(chǔ)。本課題組將進一步開展深入研究，與認知計算相結(jié)合，使模型更加符合《傷寒論》“觀其脈證，知犯何逆，隨證治之”的辨證論治精神。未來，隨著圖數(shù)據(jù)庫技術(shù)的不斷發(fā)展，其輔助中醫(yī)智能診療模型構(gòu)建的前景將更加廣闊。

參考文獻

[1]王慶國.傷寒論講義[M].2版.北京：高等教育出版社，2012：5.

[2]平軍嬌，鄧順順，萬靜，等.伴與不伴抑郁癥狀的首發(fā)精神分裂癥患者腦源性神經(jīng)營養(yǎng)因子、同型半胱氨酸及C-反應蛋白水平比較[J].新鄉(xiāng)醫(yī)學院學報，2018，35（8）：697-700.

[3]楊佳澄，黨建武，王曉明.基于模糊神經(jīng)網(wǎng)絡理論的中醫(yī)輔助診斷初探[J].蘭州交通大學學報，2015，34（3）：118-122.

[4]朱詠華，朱文鋒.基于貝葉斯網(wǎng)絡的中醫(yī)辨證系統(tǒng)[J].湖南大學學報：自然科學版，2006，33（4）：123-125.

[5]張躍宏，劉平，張琴，等.基于粗糙集與廣義關(guān)聯(lián)度系數(shù)的貝葉斯中醫(yī)證候分類模型[J].統(tǒng)計與決策，2008，24（12）：159-161.

[6]王鍵，張光霽.中醫(yī)基礎(chǔ)理論[M].3版.上海：上?？茖W技術(shù)出版社，2018：9.

[7]（美）DonaldE.Knuth.計算機程序設(shè)計藝術(shù)[M].3版.北京：人民郵電出版社，2010：362-372.

[8]Jaiswal G.Comparative analysis of Relational and Graph databases[J].International Journal of Soft Computing and Engineering，2013，3（8）：25-27.

[9]Pokorny J.Functional Querying in Graph Databases [J].Vietnam Journal of Computer Science，2018，5（2）：95-105.

[10]Zou L，Chen L，Zsu M T.Distance-Join：Pattern Match Query In a Large Graph Database[J].Proceedings of the Vldb Endowment，2009，2（1）：886-897.

[11]Kucukkecesi C，Yazici A.Big Data Model Simulation on a Graph Database for Surveillance in Wireless Multimedia Sensor Networks[J].Big Data Research，2018，11（3）：33-43.

[12]Miller JJ.Graph Database Applications and Concepts with Neo4j.Proceedings of the Southern Association for Information Systems Conference[C].Atlanta，GA，USA.2013.Atlanta：The Southern Association for Information Systems Press，2013.

[13]Summer G，Kelder T，Ono K，et al.cyNeo4j：connecting Neo4j and Cytoscape[J].Bioinformatics，2015，31（23）：3868-3869.

[14]Bottomly D，Mcweeney S K，Wilmot B.HitWalker2：visual analytics for precision medicine and beyond[J].Bioinformatics，2016，32（8）：1253-1255.

[15]Stark B，Knahl C，Aydin M，et al.BetterChoice：A migraine drug recommendation system based on Neo4J.2017 2nd IEEE International Conference on Computational Intelligence and Applications（ICCIA）[C].New York：Institute of Electrical and Electronics Engineers Press，2017.

[16]Deffur A，Wilkinson R J，Mayosi B M，et al.ANIMA：Association network integration for multiscale analysis[J].Wellcome Open Research，2018，3：27.

[17]Fan W，Li J，Ma S，et al.Graph pattern matching：from intractable to polynomial time[J].Proceedings of the Vldb Endowment，2010，3（1-2）：264-275.

[18]劉知遠，孫茂松，林衍凱，等.知識表示學習研究進展[J].計算機研究與發(fā)展，2016，53（2）：247-261.

[19]汪婧，榮升格.基于杰卡德相似性的推薦系統(tǒng)研究[J].安徽工程大學學報，2013，28（3）：73-76.

[20]張曉琳，付英姿，褚培肖.杰卡德相似系數(shù)在推薦系統(tǒng)中的應用[J].計算機技術(shù)與發(fā)展，2015，25（4）：158-161，165.

[21]李冀著.方劑學[M].3版.北京：中國中醫(yī)藥出版社，2012：20-21.

（2018-08-27收稿 責任編輯：楊陽）