Aug, 2023

基于面向文本的医疗知识图谱表示学习的伴侣动物疾病诊断

PDF
TL;DR提出了一种用于动物疾病的高效诊断的知识图嵌入模型，该模型可以学习各种类型的文字信息和图结构，并将它们融合成统一的表示，通过门网络将不同类型的实体和节点特征信息融合为统一的向量表示，然后提出了一种自监督学习任务来预训练图结构，并在链接预测任务上击败了最先进模型组成的基线模型。
knowledge graph embeddinganimal diseaseselectronic medical recordsliteral informationlink prediction
发现论文，激发创造
  • 知识图谱嵌入与文字字面量的调查：哪种模型更好地链接字面量？

    本文对考虑包括文本、数字、图像等非结构化信息的 KG 嵌入模型进行了综述和对比，同时在相同条件下对链接预测的不同方法进行了实证评估。

    Oct, 2019

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 使用知识图谱嵌入和语言模型进行生物医学多跳问答

    这篇研究论文探讨了如何使用自然语言问答，相结合的语言模型和 KG 嵌入来回答生物学家们所提出的一系列自由形式的问题，其 KG 数据集来源于 Hetionet，并利用该数据集创建一个多跳生物医学问答数据集以测试多跳生物医学问答系统。

    Nov, 2022

  • 将文字直接编码到知识图谱嵌入中

    本文研究了将实体属性信息加入到已有链接预测模型中的效果，通过 LiteralE 方法，将实体嵌入和属性信息融合，并将其应用到多个基于嵌入的模型上，取得了在标准数据集上的良好表现。

    Feb, 2018

  • 多语言结构化放射学报告的知识图谱嵌入

    我们引入了一种新颖的轻量级基于图的嵌入方法，特别适用于放射学报告，通过多语言 SNOMED 临床术语知识库连接报告中的医学术语，揭示了临床术语之间的潜在关系，实现了更好地理解和临床准确性的表示，而不依赖于大规模预训练数据集。我们展示了这种嵌入方法在 X 光报告的疾病分类和图像分类两个任务上的应用，并且相较于基于 BERT 的模型，在体积和训练数据需求方面要小得多。同时，我们展示了图嵌入方法如何利用跨模态知识传递，在不同语言之间具有可用性。

    Sep, 2023

  • 利用逻辑知识增强生物医学数据的嵌入表示

    本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显著优于现有技术，并能根据不同的选择标准和规则数量产生不同效果。

    Mar, 2023

  • 面向个人或实体中心知识图谱的表示学习：在医疗健康领域的应用

    本文提出一种基于星形本体的端到端表示学习框架，从结构化和非结构化数据中提取面向实体的知识图谱，采用图神经网络创建紧凑的图形表示，并利用研究结果进行再入院预测。

    May, 2023

  • 生物医学知识图谱嵌入的基准与最佳实践

    利用知识图谱嵌入学习方法，探索在 SNOMED-CT 知识图谱中学习生物医学知识表征的能力，提供性能测试及最佳实践，并强调利用知识图谱多关系特性学习知识表征的重要性。

    Jun, 2020

  • 利用嵌入和逻辑规则对生物医学知识图谱进行精化

    本文提出了一个名为 BioGRER 的方法，该方法综合了知识图谱嵌入和逻辑规则，以改进生物医学知识图谱的质量，并在 COVID-19 知识图谱上获得了有竞争力的结果。

    Dec, 2020