ACLJun, 2018

使用实体定义和上下文进行生物医学领域本体对齐

PDF
TL;DR本文提出了一种丰富本体的实体信息的方法，并使用此方法进行本体对齐，并开发了一种神经网络结构，能够编码外部数据，结果显示，外部数据的添加导致本体对齐在 Ontology Alignment Evaluation Initiative 的 largebio SNOMED-NCI 子任务上的 F1 得分为 0.69，与当前技术下的实体级匹配相当。
ontology alignmententity de-duplicationexternal dataneural architectureoaei
发现论文，激发创造
  • 为等同性和包含关系本体匹配提供友好的生物医学数据集的机器学习

    为解决 Ontology Matching 中评价体系不全的问题，该研究提出了五个新的医学本体匹配任务，并且提出了一个全面的评价框架，对机器学习和非机器学习的匹配系统进行了评估。该研究的资源已经公开发布在 OAEI 2022 的 BioML 赛道中。

    May, 2022

  • OntoEA: 基于本体引导的实体对齐方法，通过知识图谱联合嵌入

    本文提出一个以本体指导实体对齐的方法 OntoEA，该方法通过联合嵌入本体和知识图谱来避免虚假映射，实验证明了该方法的优越性和本体的有效性。

    May, 2021

  • 高效的生物医学实体链接：低资源技术下的临床文本标准化

    通过学习实体的同义词对，我们提出了一种用于临床文本标准化的方法，通过关联多个术语，从而显著减少训练数据和资源消耗，并引入了基于上下文和无上下文重排序技术进行实体消岐。在最大的 UMLS 标注数据集 Medmentions 上，我们的方法表现与现有的零样本和远程监督实体链接技术相当，在没有基于领域的训练的情况下。最后，我们证明了单纯的检索性能可能不足以作为评估指标，并引入了一种基于文章的定量和定性分析，揭示了实体链接方法的进一步洞察。

    May, 2024

  • OTIEA: 跨语言实体对齐的本体增强三元组内在关联

    本文引入一种新型的通用实体对齐框架，该框架基于本体对与通过 triple-aware attention 实现的角色增强机制，而无需引入外部资源，实现了从不同知识图谱中发现等价对象的基本任务，该框架在三个真实数据集上的实验结果表明，与基线方法相比，具有竞争性能。

    May, 2023

  • BiOnt：基于多个生物医学本体的深度学习关系提取

    在本研究中，采用使用深度学习方法和生物医学本体论，例如 Gene Ontology、Human Phenotype Ontology、Human Disease Ontology 和 Chemical Entities of Biological Interest，提高生物医学关系抽取方法，达到了比现有技术更高的精度。

    Jan, 2020

  • 大规模临床本体的语义搜索

    本文介绍了一种基于深度学习的方法来构建大型临床本体的语义搜索系统，该方法使用 Triplet-BERT 模型和直接从本体生成训练数据的方法，并在五个真实基准数据集上进行了评估，在自由文本到概念和概念到概念的搜索任务中取得了高结果。这项方法优于所有基线方法。

    Jan, 2022

  • EBOCA: 生物医学概念关联本体证据

    本文提出 EBOCA 本体论，旨在描述生物医学领域的概念和它们之间的关联，以及支持这些关联的证据。该本体论已经成功评估，并使用来自 DISNET 的测试数据和自动协会提取从文本转换为知识图表，以用于真实场景的评估。

    Aug, 2022

  • 利用多段双向上下文匹配进行实体同义词发现

    该论文提出了一种多环境下的同义词发现框架，使用分布式假设和神经网络模型 SYNONYMNET，从自由文本语料库中检测出实体的同义词，以提高实体消歧或知识图谱规范化等任务的效果和稳健性。

    Dec, 2018

  • 将自对齐的 BERT 模型在自动生成的荷兰维基百科语料上进行微调的生物医学实体链接

    用荷兰语进行评估的首个生物医学实体链接模型基于 MedRoBERTa.nl 为基础模型，通过自对齐在荷兰语生物医学本体上进行第二阶段预训练，并在维基百科中的本体链接荷兰语生物医学实体数据集上进行微调。在 Mantra GSC-corpus 的荷兰语部分上评估模型，分类准确度为 54.7%，1 - 距离准确度为 69.8%。对无标签的患者支持论坛数据进行案例研究发现，模型受到前置实体识别步骤质量的限制。对小样本进行手动评估发现，正确提取的实体中约 65% 与本体中的正确概念相关联。结果表明，与英语以外的其他语言进行生物医学实体链接仍具有挑战性，但我们的荷兰模型可用于对患者生成的文本进行高级分析。

    May, 2024

  • 从文本中丰富本体学：一个用于概念发现和定位的生物医学数据集

    通过自动化方法将新概念放入知识库，提出基于 MedMentions 数据集的新基准来解决既定数据集常见的问题，并通过最近的大型语言模型方法进行评估。

    Jun, 2023