联合编码网络结构和文本节点描述的生物医学本体嵌入

ACLJun, 2019

联合编码网络结构和文本节点描述的生物医学本体嵌入

Embedding Biomedical Ontologies by Jointly Encoding Network Structure and Textual Node Descriptors

Sotiris Kotitsas, Dimitris Pappas, Ion Androutsopoulos, Ryan McDonald, Marianna Apidianaki

TL;DR本研究提出一种基于 NODE2VEC 的网络嵌入模型，利用环形神经编码器同时考虑网络结构以及文本节点描述信息，用于在两个 UMLS 数据集上进行链接预测实验，并与以往的方法进行比较，结果表明本方法的有效性。

Abstract

network embedding (NE) methods, which map network nodes to low-dimensional feature vectors, have wide applications in network analysis and bioinformatics. Many existing NE methods rely only on network structure,

network embedding bioinformatics recurrent neural encoder link prediction umls

发现论文，激发创造

内容增强网络表示学习的通用框架

本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

Oct, 2016

联合结构和文本编码的知识图谱表示

本文提出一种新颖的深度架构，以利用实体的结构和文本信息的宝贵信息。其中，注意力模型可以选择所需的相关信息，并应用门控机制将结构和文本的表征集成到一个统一的架构中。实验表明，我们的模型在链接预测和三元组分类任务上的表现优于基线。

Nov, 2016

文本网络嵌入的深度神经信息融合架构

本文提出了一种深度神经结构，以有效地融合结构和文本的信息，并利用新的目标函数、互补信息融合方法和互动门机制来提高文本要素特征。实验证明，所提出的模型在所有三个数据集上均优于比较方法。

Aug, 2019

在生物医学网络上的图嵌入：方法、应用和评估

本文选择 11 种代表性的图嵌入方法，对药物 - 疾病关联、药物 - 药物交互、蛋白质 - 蛋白质相互作用、医学术语语义分类和蛋白功能预测等 5 个生物医学任务的 3 种预测方法进行评估比较，并提出了挑选嵌入方法和设置超参数的普适指导原则。结果表明，最近的图嵌入方法在未使用任何生物学特征的情况下，能够取得与具有生物学特征的方法相媲美的预测性能。

Jun, 2019

条件网络嵌入

本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

May, 2018

使用神经网络从生物医学文献中提取关系

使用不同的信息来源支持自动提取生物医学概念之间关系的研究，其中包括使用多通道架构深度神经网络对医学文献中的概念进行关系提取，同时将医学本体论结合进来可以进一步提高结果的准确性。

May, 2019

学习深度结构保持的图像文本嵌入

提出使用双分支神经网络进行联合嵌入图像和文本的方法，包含多层线性投影和非线性激活函数，通过结合度量学习和交叉视图约束优化进行训练，实验结果表明该方法在图像 - 文本检索和短语定位任务上具有显著性能改进。

Nov, 2015

基于增强低秩矩阵逼近的多层网络嵌入

本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。

Aug, 2018

NSEEN：面向实体归一化的神经语义嵌入

本研究基于深度单妻神经网络模型，将实体及其语法变化的语义信息嵌入到嵌入向量中，以实现对大型参考集的新实体实现快速映射，并在挑战性的生物实体规范化数据集中证明了框架的有效性。

Nov, 2018

网络嵌入的联想学习

本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法，通过节点内容和其邻居之间的关联来构建记忆，使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测，并与传统矩阵分解和深度学习方法进行了比较。

Aug, 2022