中国医学是完全独立于西方医学之外,拥有悠久历史的东方医学体系。但由于西药比起中药更倾向于采用处方药物来治疗或者缓解患者的症状,中药更加倾向于调节人体内的阴阳平衡,且中医药认为一切都由五行组成:木材、火、土、金属和水,所以有些人认为中医药是形而上学的。本文将中医药学科内容和机器学习交叉,试图寻找出中医药方中蕴含的规律,从计算机科学的角度解释中医药方与中药材之间的关系。本文首先使用WORD EMBEDDING的WORD2VEC对《中国人民共和国药典》进行中文分词训练字典,接着将书中的中医药方和中医药材建立映射关系,同时对书中的药用功能凝练概括,采集成一个具有研究价值的中医药方多标记数据集。之后对药用功能进行分析抽象,使得中医传统药方功能与靶向人体器官关节建立映射,并采集成另一个多标记中医药方数据集。同时也对两个中医药方数据集的维度、类别不平衡率等参数进行展示与比较。针对采集到的中医药方数据集,首先整理出药材的拉丁名称,之后研究药用功能与其相关中医药方涉及的药材的关联性关系,使用Jaccard距离探寻药材与药方的关联程度,建立药用功能的关联度词云图谱。词云图谱诠释了药方的关联医药材的药性上符合其《中医药典》的药材详解中的核心药性,阐述了药方的配伍不只是民间的经验总结而是有价值的药用搭配。之后构建药材的知识图谱,探寻多方关联度,得到的关联图在能揭示中医药材关联度的同时,也把普适的药材关系线索挑明,部分中医药材在几种药用功能中都有较强的关联度,但实际上这些中医药材的药性可能只是中和药效,类似于催化剂的效果,并非真正的与该药材药性关联密切。最后进行多标记学习建模研究,本文进行了非不平衡优化算法和对类别不平衡优化算法的对比,具体方法为比较评价指标的数值优劣,最后将所有算法效果对比发现:对于我们提出的两个数据集,实验数据表明不平衡优化的算法会取得更好的效果,但泛化评价指标差距较小,相信是因为数据集类别极度不平衡,特别是RAk El算法,虽然没有加入类别不平衡的优化策略,但由于是高阶策略,考虑了类别相关性,也能取得较好的效果。本文最终表明中药的药材配伍是有规律可循,机器学习的多标记算法可以利用药方中涉及的药材来判断其药效,同时利用知识建模来得到针对中医药中部位的药材靶向。本研究从计算机角度来解释中药方,有助于阐明中医健康理论的内涵,对中医健康理论的发展具有重要意义。