基于深度学习的自动化可解释本体扩展：化学领域案例研究
人工智能
2021-09-21 v1
摘要
参考本体为其领域提供了共享的词汇和知识资源。人工构建使其能保持高质量，从而被相关领域广泛接受。然而，人工开发过程难以扩展到大型领域。我们提出了一种自动本体扩展的新方法，并将其应用于ChEBI本体——一个生命科学化学领域的重要参考本体。我们在ChEBI本体的叶节点结构及其所属类别上训练了一个基于Transformer的深度学习模型。该模型随后能够自动分类先前未见过的化学结构。所提模型取得了0.80的总体F1分数，较我们在同一数据集上的先前结果提高了6个百分点。此外，我们展示了可视化模型注意力权重如何通过提供模型决策过程的洞察来帮助解释结果。
引用
@article{arxiv.2109.09202,
title = {Automated and Explainable Ontology Extension Based on Deep Learning: A Case Study in the Chemical Domain},
author = {Adel Memariani and Martin Glauer and Fabian Neuhaus and Till Mossakowski and Janna Hastings},
journal= {arXiv preprint arXiv:2109.09202},
year = {2021}
}