COVID-19 本体论的系统分析
通过使用 COVID-19 感染风险本体论(CIRO)的资源描述框架(RDF)和 SPARQL(SPARQL 协议和 RDF 查询语言)查询,本研究试图通过自动评估每个人的感染风险来减轻公共卫生官员的负担,并建立的知识图表明了其能够推断政府制定的风险,此外,还进行了推理实验以分析计算效率,发现了部署问题。
Aug, 2023
本文提供了一种结合大型数据建模、信息制图和趋势分析的新型自动化主题可视化方法,用于快速发现 COVID-19 疫情下的主题和研究资源,结果显示了有关社交隔离、医疗话题、病毒在不同地区的演变轨迹等信息,同时也表明了迫切需要快速自动化地进行大规模数据的搜索和浏览。
May, 2020
基于 CORD-19 文本摘要的 CORToViz 可视化工具,利用最新科技,通过聚类文章并提取主题的方法,提供快速可视化主题内容和趋势的交互式仪表盘,适用于任何文本文档语料库的数据准备和结果可视化。
Oct, 2023
本文提出 Covidia,COVID-19 研究的跨学科学术知识图谱,并设计了基于对比学习的学科分类和实体提取以及关系分类和本体管理的框架。基于 Covidia,我们还建立了知识发现基准,以发现 COVID-19 研究团体和预测潜在关联。
Apr, 2023
利用 NLP 技术(如命名实体识别和聚类算法)对 PubMed 数据库中的 LitCovid 文献进行分析,从中筛选出与 COVID-19 相关的生物实体、症状、并发症等,帮助人们快速了解 COVID-19 相关文献的主题和研究进展。
Aug, 2020
使用知识图谱、机器学习和深度学习等工具,分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集,发现专家、生物实体,预测相关疾病、药物候选者、基因突变和相关化合物,从而帮助生物医学研究人员应对 COVID-19 大流行。
Jul, 2020
本文介绍我们使用的方法,通过采访农业食品系统的利益相关者手动构建本体论,以适应两种互补系统分析模型(即 “Godet” 和 “MyChoice” 模型)的需求。
Jan, 2023
本文介绍了 CO-Search,这是一款检索 - 排序语义搜索引擎,设计用于处理 COVID-19 相关文献,包括使用 Siamese-BERT 编码器、BM25 矢量化器和多跳问答模块等,以高效地帮助寻找科学答案,并在多项指标上获得了最佳表现。
Jun, 2020
本文提出了 COVID-19 知识图谱(CKG),它结合了语义信息和拓扑信息来提取和可视化 COVID-19 科学文章之间的复杂关系,最终形成一个关系图谱。CKG 可以为类似文档检索提供低维度的图像嵌入,有助于揭示 COVID-19 科学文章中深层次的信息。
Jul, 2020
本研究通过使用 Transformer 神经网络,在 CORD-19 数据集上解决了 COVID-19 文献检索和问答的挑战,并展示了其在一些实例上的有效性。
Nov, 2022