利用TFIDF方法分析中医症状对于证候的重要程度

　　TFIDF 方法是一种简单的文档特征词提取方法，也是权重计算中经典算法之一，倾向于过滤常见词语，保留重要词语，既考虑了特征词对于某个文档的重要性，又考虑到特征词对于其他文档的重要性。TFIDF 方法通常根据特定领域及需求稍作改进，即能取得令人较为满意的效果[1]。在此，笔者将TFIDF 方法引入症状对于证候的重要程度的研究，进而发现证候的特征症状范围。
　　1 建立数据库
　　1.1 建立静态表
　　静态表是根据中医药权威标准建立，不因样本方数据变化而变化的数据表，包括：规范症状表，基本证候表。
　　1.1.1 规范症状表的建立
　　根据《中医症状鉴别诊断学》[2]和中医高校教材《中医诊断学（七版）》[3]建立，选定最恰当者作为正名。该表由编码、规范症状、症状异名三个字段构成，包括9 大类，构成一级症状，每个一级症状下又具体多级分层，共涉及规范症状1120 个。
　　1.1.2 基本证候表的建立
　　根据《国家标准中医临床诊疗术语·证候部分》[4]建立，选定最恰当者作为正名，由编码、证候、症状三个字段构成，录入中医临床常见证候730 条。此外，证候对应的症状规范化处理参照规范症状表进行。
　　1.2 建立方剂数据表
　　1.2.1 数据的选择
　　以中医高校教材《方剂学（七版）》[5]为基础，选取182 首正方作为实验数据。正方多为各类方剂的代表方，其主治证和主治症状相对稳定，易于分析和比较，且临床选方用药也多以代表方为基础加减化裁，故选用正方数据。
　　1.2.2 数据的规范
　　由于主治症状和证候的表述来自原书，出处不同，导致不规范性数据产生,多表现为名称不规范和表述模糊，命名规则、术语表述或数据代码不同，因而容易产生问题数据，若症状和证候不加以规范化处理，将会影响症状对于证候重要程度研究的效果。本研究的症状和证候的规范化处理分别参照规范症状表和基本证候表进行。如：理中丸主治“脘腹绵绵作痛、喜温喜按、呕吐、大便稀溏、脘痞食少、畏寒肢冷、口不渴、舌淡苔白润、脉沉细或沉迟无力、便血、吐血、衄血、崩漏、血色暗淡、质清稀、胸痹、病后多涎唾、小儿慢惊”，参照规范症状表依次规范为“上腹痛、疼痛喜暖、疼痛喜按、呕吐、大便溏、脘痞、食欲不振、畏寒、四肢厥逆、口不渴、舌淡、苔白、苔润、脉沉、脉细、脉迟、脉弱、便血、吐血、鼻衄、崩中、经漏、血色淡红、胸痛、口流涎、惊风”；而理中丸主治证“脾胃虚寒证”，参照基本证候表规范为脾胃阳虚证。
　　2 TF-IDF 方法的主要思想及数学建模
　　2.1 TF-IDF 方法的主要思想
　　一个词在特定的文档中出现的频率越高，说明它在区分该文档内容属性方面的能力越强（TF）；一个词在文档中出现的范围越广，说明它区分文档内容的属性越低（IDF）。
　　通过 TFIDF 经典公式运算分析，该公式不能很好地反应出症状对于证候的重要程度。
　　经过修正，建立适合本研究的数学模型（如公式2）来度量症状对于证候的重要程度，即权重。其中，W(t, d )表示某症状t对于某证候d的重要程度（权重），tf (t, d)表示在基本证候表证候d 对应的症状中症状t 出现的频率，N 表示在基本证候表中不同证候数730，nt表示基本证表中症状t 对应的不同证候数。
　　3 实例说明
　　以温中祛寒剂的代表方理中丸为例，通过公式2 计算理中丸主治症状对于证候的重要程度。《方剂学（七版）》记载理中丸对应26 个规范症状，同时对应证候脾胃阳虚证。而本研究建立的基本证候表（730 个证候）中，“脾胃阳虚证”对应14 个症状。
　　以症状“上腹痛”为例简述计算过程。在基本证候表中，包含“上腹痛”的证候有9个，按公式2 计算，可知同理，得到理中丸对应的其他症状对于“脾胃阳虚证”的权重如下表所示。
　　理中丸主治症状“呕吐、口不渴、脉细、便血、吐血、鼻衄、崩中、经漏、血色淡红、胸痛、口流涎、惊风”没有出现在基本证候表“脾胃阳虚证”对应的症状中，因此无法求得这些症状对于脾胃阳虚证的重要程度。通过TFIDF 方法得到症状对于相关证候的权重，且平均权重为0.185060364，那么特征症状对于证候的权重应大于平均权重，经筛选，发现脾胃阳虚证的特征症状范围为“苔润、疼痛喜按、上腹痛、疼痛喜暖、脉迟、脘痞、脉沉、畏寒、大便溏、四肢厥逆、食欲不振”，其中症状苔润和疼痛喜按对脾胃阳虚证最重要。
　　4 小结
　　采用 TFIDF 方法既能客观地评估症状对于证候的重要程度，也能发现证候的特征症状范围。但同时仍存在一些需要解决的问题，如：基本证候表的症状需要进一步扩充；研究方法还需改进等。解决好这些问题将会提高实验效果，将为下一步研究提供更有利的依据。