基于图神经网络的医学实体消歧
信息检索
2021-04-06 v1 计算与语言
数据库
摘要
从生物医学文献和监管行动中提取的医学知识库（KB）有望提供高质量信息以促进临床决策。实体消歧（也称为实体链接）被视为释放此类医学 KB 价值的一项关键任务。然而，由于 KB 中实体与源文档中文本片段之间的用词差异，现有医学实体消歧方法尚不充分。近来，图神经网络（GNN）已被证明非常有效，并为许多具有图结构数据的现实应用提供了最先进的结果。在本文中，我们基于三种代表性 GNN（GraphSAGE、R-GCN 和 MAGNN）引入了用于医学实体消歧的 ED-GNN。我们开发了两种优化技术来微调并改进 ED-GNN。首先，我们引入了一种新策略，将文本片段中提及的实体表示为查询图。其次，我们设计了一种有效的负采样策略，识别困难负样本以提升模型的消歧能力。与性能最佳的最先进解决方案相比，我们的 ED-GNN 在五个真实世界数据集上以 F1 分数计平均提升了 7.3%。
引用
@article{arxiv.2104.01488,
title = {Medical Entity Disambiguation Using Graph Neural Networks},
author = {Alina Vretinaris and Chuan Lei and Vasilis Efthymiou and Xiao Qin and Fatma Özcan},
journal= {arXiv preprint arXiv:2104.01488},
year = {2021}
}
备注
To appear in SIGMOD 2021