CN106156482A - 基于文献数据的药物推荐方法、装置及服务器 - Google Patents

Abstract

本发明提供一种基于文献数据的药物推荐方法、装置及服务器，方法包括：获取生物医学文献数据库中所有文章的摘要数据；通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；根据摘要数据库提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；根据提取的信息和数据指标构建加权异构图形；对加权异构图形排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。该方法能推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

Description

基于文献数据的药物推荐方法、装置及服务器

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种基于文献数据的药物推荐方法、装置及服务器。

背景技术

当前，我国高血压的防治工作的“三率”(包括：知晓率40％，治疗率35％，控制率10％)一直处于很低的水平，如何更好促进高血压防治一直是医疗机构特别是基层医疗机构慢病管理的难点和重点问题之一。降压药物的合理应用是防治高血压的关键。目前，临床医生主要依据循证医学证据进行临床决策，但由于文献数据庞大、更新速度快，使得临床医生特别是基层医院的医生很难掌握最新的证据，从而导致降压治疗决策的不合理。

鉴于此，如何基于文献数据对降压药物的信息进行推荐成为目前需要解决的技术问题。

发明内容

为解决上述的技术问题，本发明提供一种基于文献数据的药物推荐方法、装置及服务器，利用计算机处理的技术手段，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

第一方面，本发明提供一种基于文献数据的药物推荐方法，包括：

获取生物医学文献数据库中所有文章的摘要数据；

通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；

建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；

根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；

根据提取的信息和所述数据指标，构建加权异构图形；

对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

可选地，所述生物医学文献数据库为生物医学文献数据库MEDLINE。

可选地，所述摘要数据库中每一篇文章的摘要信息包括：文字编号、作者与其单位和期刊名称；

和/或，

所述数据指标，包括：文章发表日期和文章类型。

可选地，所述文章类型，包括：荟萃Meta分析、随机对照试验、务实临床试验、双生子研究、对照临床试验、观察性研究、比较研究和病例报告。

可选地，所述根据提取的信息和所述数据指标，构建加权异构图形，包括：

根据提取的信息，构建异构图形；

根据所述数据指标，计算所述异构图形各边缘的权重。

可选地，所述对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息，包括：

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\right({\mathrm{\Π}}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}})W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+(1-\mathrm{\α})U/|X_1\left|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

第二方面，本发明提供一种基于文献数据的药物推荐装置，包括：

摘要数据获取模块，用于获取生物医学文献数据库中所有文章的摘要数据；

数据库建立模块，用于通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；

数据指标建立模块，用于建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；

提取模块，用于根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；

图形构建模块，用于根据提取的信息和所述数据指标，构建加权异构图形；

排名信息获取模块，用于对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

可选地，所述图形构建模块，具体用于

根据提取的信息，构建异构图形；

根据所述数据指标，计算所述异构图形各边缘的权重。

可选地，所述排名信息获取模块，具体用于

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\right({\mathrm{\Π}}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}})W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+(1-\mathrm{\α})U/|X_1\left|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

第三方面，本发明提供一种服务器，包括：上述基于文献数据的药物推荐装置。

由上述技术方案可知，本发明的基于文献数据的药物推荐方法、装置及服务器，利用计算机处理的技术手段，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

附图说明

图1为本发明一实施例提供的一种基于文献数据的药物推荐方法的流程示意图；

图2为图1所示方法中构建的加权异构图形的示意图；

图3为在一具体应用中图1所示方法中构建的加权异构图形的示意图；

图4为本发明一实施例提供的一种基于文献数据的药物推荐装置的结构示意图；

图5为本发明一实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

图1示出了本发明一实施例提供的基于文献数据的药物推荐方法的流程示意图，如图1所示，本实施例的基于文献数据的药物推荐方法如下所述。

101、获取生物医学文献数据库中所有文章的摘要数据。

其中，所述生物医学文献数据库可优选为生物医学文献数据库MEDLINE。

102、通过限定医学主题词表(Medical Subject Headings，简称MeSH)来建立与高血压某一类特殊人群相关的文章的摘要数据库。

其中，所述摘要数据库中每一篇文章的摘要信息可以包括：文字编号、作者与其单位和期刊名称等。

应说明的是，所述步骤102中MeSH应至少包括：“Human(人类)”和“Hypertension(高血压)”。

103、建立衡量与高血压某一类特殊人群相关的文章质量的数据指标。

其中，所述数据指标包括：文章发表日期和文章类型。

进一步地，所述文章类型，可以包括：荟萃Meta分析、随机对照试验、务实临床试验、双生子研究、对照临床试验、观察性研究、比较研究和病例报告等。

104、根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息。

在具体应用中，本实施例中的各类降压药物可以被分为8类：利尿剂、β受体阻滞剂、α-受体拮抗剂、血管紧张素转换酶抑制剂(ACEI)、钙通道阻滞剂(CCB)、血管紧张素受体拮抗剂(ARB)、血管扩张剂、神经节阻滞剂(在生物医学文献数据库MEDLINE中，MeSH中共有95个主要主题词和121个补充概念属于以上8类)。可通过令MeSH词属于以上8类的MeSH词，而且将MeSH词限定为“therapeutic use(治疗应用)”、或“drug therapy(药物疗法)”、或“administration&dosage(投药和剂量)”，通过所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的各类降压药物的信息。

105、根据提取的信息和所述数据指标，构建加权异构图形，如图2所示。

在具体应用中，所述步骤105，可以具体包括图中未示出的步骤105a和105b：

105a、根据提取的信息，构建异构图形。

105b、根据所述数据指标，计算所述异构图形各边缘的权重。

进一步地，在步骤105b中，可根据所述数据指标，基于以下三个因子，计算所述异构图形各边缘的权重：

一、时间因子(T)：从一篇文章的发表年度中提取时间信息；如果这篇文章是在本年度发表，权重＝0；如果它是在过去10年发表，权重＝1，否则，权重＝-1；

二、文章类型(P):Meta分析和随机对照试验的文章，权重＝1，否则，权重＝0；

三、临床试验的机构和设计方法(I)：美国为研究院，前瞻性研究，随机分配，多中心研究，双盲法/单盲法，权重＝1，否则，权重＝0；

最后权重＝0.7+(T+P+I)/10。

106、对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

在具体应用中，所述步骤106，可以具体包括：

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序(即进行迭代运算，直到结果收敛于隐定质)，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\right({\mathrm{\Π}}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}})W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+(1-\mathrm{\α})U/|X_1\left|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

可理解的是，为确保所述第一公式的迭代收敛于隐定值，本实施例引入了U/|X₁|以保证迭代矩阵的连结性(connectivity)。

本实施例的基于文献数据的药物推荐方法，利用计算机处理的技术手段，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

本实施例的基于文献数据的药物推荐方法，可以指导基层医生、低年资医生根据不同患者的检验、检查结果以及合并症情况，合理有效的进行降压药物选择，降低不合理用药情况的可能性，符合国家治病的社会取向，有利于提高高血压的控制率，减轻国家社会经济负担。

举例来说，以高血压合并慢性肾脏病(CKD)患者这一类高血压特殊人群、以及生物医学文献数据库MEDLINE为例，本实施例的基于文献数据的药物推荐方法，可以具体包括：

S1、获取生物医学文献数据库MEDLINE中所有文章的摘要数据。

在具体应用中，可通过申请生物医学文献数据库MEDLINE权限，MEDLINE(2015年)的XML格式(109GB)可以从该网站获取(http://www.nlm.nih.gov/bsd/licensee/access/medline_pubmed.html)。每个摘要数据包含一篇文章的目录信息，如文章编号(PMID)，文章的标题、作者名单、期刊名称、出版地点、类型、主题词和索引等。

S2、通过限定医学主题词表MeSH来建立与高血压合并慢性肾脏病(CKD)患者相关的文章的摘要数据库。

其中，MeSH应包含“Humans(人类)”、“Hypertension(高血压)”和“Kidney failure(肾功能衰竭),Failure(衰竭)”(或“Renal Insufficiency(肾功能不全),Chronic(慢性)”)。

其中，所述摘要数据库中每一篇文章的摘要信息可以包括：文字编号、作者与其单位和期刊名称等。

通过该步骤S2，在建立的摘要数据库中，文献有4304篇，涉及的作者有13325名，期刊931个。举例来说，步骤S2建立的摘要数据库的具体信息可以如下所示：

S3、建立衡量与高血压合并慢性肾脏病(CKD)患者相关的文章质量的数据指标。

其中，所述数据指标包括：文章发表日期和文章类型。

进一步地，所述文章类型，可以包括：荟萃Meta分析、随机对照试验、务实临床试验、双生子研究、对照临床试验、观察性研究、比较研究和病例报告等。

S4、根据所述摘要数据库，提取每篇与高血压合并慢性肾脏病(CKD)患者相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息。

S5、根据提取的信息和所述数据指标，构建加权异构图形，举例来说，如图3所示。

S6、采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合高血压合并慢性肾脏病(CKD)患者的降压药物排名的前10位，如下表1所示；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\right({\mathrm{\Π}}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}})W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+(1-\mathrm{\α})U/|X_1\left|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

表1

本实施例的基于文献数据的药物推荐方法，利用计算机处理的技术手段，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

图4示出了本发明一实施例提供的一种基于文献数据的药物推荐装置的结构示意图，如图4所示，本实施例的基于文献数据的药物推荐装置4，包括：摘要数据获取模块41、数据库建立模块42、数据指标建立模块43、提取模块44、图形构建模块45和排名信息获取模块46；

摘要数据获取模块41，用于获取生物医学文献数据库中所有文章的摘要数据；

数据库建立模块42，用于通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；

数据指标建立模块43，用于建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；

提取模块44，用于根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；

图形构建模块45，用于根据提取的信息和所述数据指标，构建加权异构图形；

排名信息获取模块46，用于对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

其中，本实施例所述生物医学文献数据库可优选为生物医学文献数据库MEDLINE。

其中，本实施例所述摘要数据库中每一篇文章的摘要信息可以包括：文字编号、作者与其单位和期刊名称等。

其中，所述数据指标包括：文章发表日期和文章类型。

进一步地，所述文章类型，可以包括：荟萃Meta分析、随机对照试验、务实临床试验、双生子研究、对照临床试验、观察性研究、比较研究和病例报告等。

在具体应用中，本实施例所述图形构建模块45，可具体用于

根据提取的信息，构建异构图形；

根据所述数据指标，计算所述异构图形各边缘的权重。

在具体应用中，本实施例所述排名信息获取模块46，可具体用于

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\right({\mathrm{\Π}}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}})W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+(1-\mathrm{\α})U/|X_1\left|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

可理解的是，为确保所述第一公式的迭代收敛于隐定值，本实施例引入了U/|X₁|以保证迭代矩阵的连结性(connectivity)。

本实施例的基于文献数据的药物推荐装置，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

本实施例的基于文献数据的药物推荐装置，可以用于执行前述图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5示出了本发明一实施例提供的一种服务器的结构示意图，如图5所示，本实施例的服务器，包括：图4所示实施例所述的基于文献数据的药物推荐装置4。

本实施例的服务器，能够推荐适合各类特殊人群的降压药物排名信息，从而提高基层医生对降压药物使用情况的认知度，提高血压达标率，改善高血压控制不佳的现状。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于文献数据的药物推荐方法，其特征在于，包括：

获取生物医学文献数据库中所有文章的摘要数据；

通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；

建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；

根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；

根据提取的信息和所述数据指标，构建加权异构图形；

对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

2.根据权利要求1所述的方法，其特征在于，所述生物医学文献数据库为生物医学文献数据库MEDLINE。

3.根据权利要求1所述的方法，其特征在于，所述摘要数据库中每一篇文章的摘要信息包括：文字编号、作者与其单位和期刊名称；

和/或，

所述数据指标，包括：文章发表日期和文章类型。

4.根据权利要求3所述的方法，其特征在于，所述文章类型，包括：荟萃Meta分析、随机对照试验、务实临床试验、双生子研究、对照临床试验、观察性研究、比较研究和病例报告。

5.根据权利要求1所述的方法，其特征在于，所述根据提取的信息和所述数据指标，构建加权异构图形，包括：

根据提取的信息，构建异构图形；

根据所述数据指标，计算所述异构图形各边缘的权重。

6.根据权利要求1所述的方法，其特征在于，所述对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息，包括：

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\left({\Π}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}}\right)W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+\left(1-\mathrm{\α}\right)U/\left|X_1\right|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

7.一种基于文献数据的药物推荐装置，其特征在于，包括：

摘要数据获取模块，用于获取生物医学文献数据库中所有文章的摘要数据；

数据库建立模块，用于通过限定医学主题词表来建立与高血压某一类特殊人群相关的文章的摘要数据库；

数据指标建立模块，用于建立衡量与高血压某一类特殊人群相关的文章质量的数据指标；

提取模块，用于根据所述摘要数据库，提取每篇与高血压某一类特殊人群相关的文章中的文章、作者、期刊、出版物类型和各类降压药物的信息；

图形构建模块，用于根据提取的信息和所述数据指标，构建加权异构图形；

排名信息获取模块，用于对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息。

8.根据权利要求7所述的装置，其特征在于，所述图形构建模块，具体用于

根据提取的信息，构建异构图形；

根据所述数据指标，计算所述异构图形各边缘的权重。

9.根据权利要求7所述的装置，其特征在于，所述排名信息获取模块，具体用于

采用MedRank排序算法，通过第一公式对所述加权异构图形进行排序，获取适合所述高血压某一类特殊人群的降压药物排名信息；

其中，所述第一公式为：

$R_{X_1}\←\left(\mathrm{\α}\left({\Π}_{t=1}^{n-1}{W}_{X_{t}C}{D}_{{\mathrm{CX}}_{t+1}}^{-1}{W}_{{\mathrm{CX}}_{t+1}}\right)W_{X_{n}C}{D}_{{\mathrm{CX}}_1}^{-1}{W}_{{\mathrm{CX}}_1}+\left(1-\mathrm{\α}\right)U/\left|X_1\right|\right)R_{X_1},$

其中，t∈{1,…,n-1}，n为大于1的正整数；X₁为目标类型，代表降压药物；X_t为第t次对象类型；C为中心类型；为X₁对象类型在当次迭代的排序分数；U为|X₁|×|X₁|的单位矩阵，|X₁|为X₁类型对象之总数，α为决定U/|X₁|项之权重；W_AB为对象A和B的带权邻接矩阵，表示两者之间的权重链接；为对行进行规化的对角矩阵，其中第i行的对角值为W_AB第i行之和。

10.一种服务器，其特征在于，包括：权利要求7-9中任一项所述的基于文献数据的药物推荐装置。