基于多维特征加权聚变的传统中医药化合物脱时间的分类方法
Zhibiao Li1,2,3, Huayong Zhao1, Genhua Zhu1
1Computer Science College, Jiangxi University of Chinese Medicine, Nanchang, Jiangxi, China.
Computer methods in biomechanics and biomedical engineering
|January 9, 2024
概括
本研究介绍了TCM-TextCNN,这是一种自然语言处理方法,用于对传统中医药 (TCM) 化合物分类. 这种新的方法提高了TCM持续时间预测的准确性和回忆力.
科学领域:
- 计算语言学计算语言学
- 传统中国医学 (TCM) 是一种
背景情况:
- 传统中医药 (TCM) 化合物脱的持续时间对疗效至关重要.
- 现有的TCM持续时间分类方法缺乏科学严谨性和全面的特征集成.
- 自然语言处理 (NLP) 为推进TCM研究提供了潜力.
研究的目的:
- 开发一种基于NLP的方法来分类TCM化合物脱持续时间.
- 提出一个新的模型,TCM-TextCNN,整合多维草本特征.
- 改进延长TCM化合物脱时间的科学基础.
主要方法:
- 利用词向量技术,为草药名称和药用部分创建特征向量.
- 采用了改进的术语频率-反向词频率 (TF-IWF) 算法来进行特征加权.
- 开发了一个增强的TextCNN模型,包含k-max聚合和完全连接的分类层.
主要成果:
- 拟议的TCM-TextCNN模型在准确性,回忆和F1得分方面取得了显著的改进.
- 与基线方法相比,精度增加了5.31%,回忆增加了5.63%,F1得分增加了5.22%.
- 该模型有效地融合了多维草本特征,以实现更全面的表示.
结论:
- TCM-TextCNN提供了一种有效和科学合理的方法来对TCM化合物分类.
- 整合多维草本特征和改进的TextCNN架构提高了分类性能.
- 这种NLP驱动的方法提供了一个有价值的工具,可以准确地延长TCM化合物脱时间.
