基于张量分解的知识图谱补全方法用于疾病基因预测
通过整合多个基因表达数据集和领域特定知识,利用知识图谱嵌入方法生成向量表示,并用于分类器,本研究提出了一种新的方法,改善了糖尿病预测。
Apr, 2024
该论文介绍了一种名为 medicX 的端到端框架,它将来自公共药物库的多种药物特征集成到一个知识图谱中,并使用各种翻译、分解和神经网络方法嵌入图谱中的节点,最终使用机器学习算法来预测未知的药物相互作用。
Aug, 2023
这篇论文介绍了 SimpleGermKG,一种自动构建知识图谱的方法,该方法连接了生殖祖细胞基因和疾病。通过使用生物医学语料库上预训练的 BERT 模型 BioBERT,提取基因和疾病,并提出本体基于和规则基于算法对医学术语进行标准化和消歧。为了表示语义关系,采用了部分 - 整体关系方法将每个实体与其数据源连接,并以图形表示形式进行可视化。最后,讨论了知识图谱的应用、限制和未来对生殖细胞语料库的研究挑战,并展示了结果的图形可视化。
Sep, 2023
本文提出了一族新的方法,将知识图谱嵌入到实值张量中,使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估,证明了这些张量分解模型的有效性和可靠性。
Feb, 2019
本论文提出 GenKGC 方法,运用预训练语言模型将知识图谱补全转化为序列生成任务,结合关系引导演示和实体感知分层解码以实现更好的表示学习和更快的推理,并在三个数据集上进行实验,结果表明该方法比基线更优或具有可比较的性能,与预训练语言模型先前的方法相比,具有更快的推理速度。此外,我们还发布了一个新的大规模中文知识图谱数据集 AliopenKG500 供研究使用。
Feb, 2022
利用知识图谱在医学报告生成中的作用,基于胸部 X 光成像建立了一种包含 137 种疾病和异常的全面知识图谱,提出了一种新的增强策略和两阶段生成框架,以减少疾病分布的长尾问题。
Jul, 2023
介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER),并提出了一种模型无关的、更广义的时间特征表示方法,实验表明该方法的表现与当前先进的语义匹配模型相当或更好。
Apr, 2022
本文研究使用 VGAE 和 C-VGAE 作为无监督的方法,利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示,进而解决疾病 - 基因预测问题,结果表明 VGAE 和 C-VGAE 方法具有很好的性能
Jul, 2019
本文介绍了一种基于复杂嵌入的统计关系学习方法,在实现表达能力和时间 / 空间复杂度之间权衡的同时,探索了这种复杂嵌入和酉对角化之间的联系,提出的嵌入方法仅涉及共轭内积,具有良好的可扩展性和高准确率。
Feb, 2017
本研究旨在构建一个知识图谱以研究阿尔茨海默病(AD)与化学物质、药物和膳食补充剂之间的关系,从而识别预防或延缓神经退行性进展的机会,结果表明我们的图形挖掘模型可以预测 AD 和其他实体之间的可靠新关系。
Feb, 2022