具有负面陈述的生物医学知识图嵌入
摘要：知识图谱是对现实世界实体及其关系的强大表示。大多数这些关系被定义为正陈述，但越来越多地认识到负陈述的重要性，特别是在开放世界假设下。明确考虑负陈述已经被证明能够提高实体总结和问题回答等任务的性能，或者特定领域任务如蛋白质功能预测。然而，尽管负陈述在产生精确的知识图谱实体表示方面具有潜力，但知识图谱嵌入方法对负陈述的探索尚未受到关注。 我们提出了一种新颖的方法，TrueWalks，来将负陈述纳入知识图谱表示学习过程中。具体而言，我们提出了一种新颖的行走生成方法，它不仅能够区分正负陈述，还能考虑本体丰富的知识图谱中否定的语义含义。这对于生物医学领域的应用尤为重要，因为已经确定了嵌入方法在本体层面上对负陈述的不足之处。 我们在本体丰富的生物医学知识图谱中对TrueWalks进行了两种不同预测任务的评估：蛋白质相互作用预测和基因与疾病关联预测。我们对已建立的基准进行了广泛的分析，并证明我们的方法能够改进知识图谱嵌入在所有任务上的性能。
作者：Rita T. Sousa, Sara Silva, Heiko Paulheim, Catia Pesquita
论文ID：2308.03447
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-08