利用知识图谱优化COVID-19研究流程

知识图谱通过结构化方式组织信息，使其更易于探索和分析。与所有图结构相同，知识图谱由节点（通常用圆圈表示）和边（连接节点的线段）组成。在知识图谱中，节点通常代表实体，边则表示实体间的关系。

2020年5月，某中心公开发布了COVID-19知识图谱（CKG），该图谱整合了COVID-19开放研究数据集（CORD-19）中的信息。CORD-19是由某机构牵头创建的关于COVID-19及相关主题的学术出版物不断增长的资料库。CKG为某中心的CORD-19排名和推荐系统提供技术支持。

在近期于AACL-IJCNLP"结构化知识与神经网络融合自然语言处理研讨会"上发表的论文中，详细阐述了CKG的构建方法，并介绍了多种应用场景，包括特定主题论文排名和相关论文发现。

图谱结构设计

图谱包含五类节点：

• 论文节点：包含论文元数据（如标题和ID号）
• 作者节点：包含作者姓名
• 机构节点：包含机构名称和位置
• 概念节点：包含论文中出现的特定医学术语（如布洛芬、心功能障碍、哮喘）
• 主题节点：包含研究领域（如基因组学、流行病学、病毒学）

同时包含五类边关系：

• 作者关系：连接论文与作者
• 隶属关系：连接作者与机构
• 概念关联：连接论文与相关概念
• 主题关联：连接论文与主题
• 引用关系：连接论文与被引论文

图谱构建技术

CORD-19数据库中论文的标准格式便于提取标题、摘要、正文、作者、机构和引文信息。

概念识别采用某中心的医学理解服务，该服务从文本中提取医学实体并进行分类。例如，给定句子"腹部超声提示急性阑尾炎"，系统会提取以下实体：腹部（解剖结构）、超声（检查治疗程序）、急性阑尾炎（医疗状况）。

主题提取使用潜在狄利克雷分配扩展模型Z-LDA，该模型使用每篇论文的标题、摘要和正文文本进行训练。Z-LDA假设论文中最具特征的术语反映某些主题，并根据术语在语料库中的出现频率选择其中一个术语作为主题标签。通过医学专业人士协助，最终确定了10个主题。

应用实例：基于引用的排名

学术领域中，论文被引次数是衡量相关性的标准指标。图结构便于引用计数，同时支持定制化统计，如按特定主题或包含特定概念的出版物进行引用计数。

相似论文引擎

给定一篇论文，相似论文引擎会检索k篇相似论文。采用两种相似度度量方法，并在最终步骤中进行组合：

第一种使用SciBert嵌入表示，该模型基于流行的BERT语言模型，但针对科学文本进行微调。SciBert将输入句子表示为多维空间中的点，使涉及相同科学概念的句子倾向于聚集在一起。

分别为论文的标题、摘要和正文创建嵌入表示，然后通过平均计算得到最终嵌入。研究表明标题嵌入可能比正文嵌入更容易区分，而正文嵌入携带更丰富的信息。因此选择给予两者相等权重的嵌入方案。平均嵌入在表示空间中的接近程度表明相关论文的相似性。

第二种模型使用知识图谱嵌入，试图保留知识图中编码的关系。如果两个实体通过代表关系的边连接，则第一个实体的嵌入加上代表关系的向量后，应产生在第二个实体附近（理想情况下在确切位置）的点。

使用某中心开发的DGL-KE工具创建知识图谱嵌入网络，该工具扩展了早期的深度图库（DGL）。从CKG提取向量三元组（h, r, t）作为训练数据，其中h是头实体，r是关系类型，t是尾实体。这些三元组是正训练样本，负样本通过随机替换现有三元组的头或尾实体合成生成。使用这些样本训练模型区分错误链接和真实链接，最终得到图中每个节点的嵌入表示。

在此过程结束时，将语义嵌入和知识图谱嵌入连接起来，创建新的高维表示空间。通过计算该空间中的top-k最接近向量（余弦距离），获得top-k最相似论文。

由于缺乏论文推荐的基础事实，通过分析性定量和定性措施评估算法，包括但不限于流行度分析、源论文与推荐之间的主题交集、低维聚类和摘要比较。

关于该方法的更多信息可在某中心博客的两篇文章中查看：“使用某中心图数据库、医学理解服务和图数据库浏览器探索COVID-19科学研究"和"构建和查询某中心COVID-19知识图谱”。

致谢：Xiang Song, Colby Wise, Vassilis N. Ioannidis, George Price, Ninad Kulkarni, Ryan Brand, Parminder Bhatia, George Karypis

研究领域：信息与知识管理、搜索与信息检索、可持续性
标签：冠状病毒(COVID-19)、知识图谱、知识发现