挖掘知识图谱与时间演化及谱系特征用于基于文献的发现预测
社会与信息网络
2019-11-12 v2 机器学习
摘要
基于文献的知识发现过程旨在识别已发表文献中隐含的重要信息关系。现有信息检索与自然语言处理技术试图识别已发表文献中信息概念之间隐藏或未公开的联系，然而这些技术忽视了预测文献所封装的科学知识组分之间未来与新兴关系的概念。关键词共现网络（KCN）基于作者选定的关键词（即知识实体）构建，通过考察知识实体间的关系，被视为一种同时关注科学领域的知识组分与知识结构的知识图谱。本研究利用来自医学领域之外的两个多学科研究领域的数据，借助文献计量学、时间KCN的动态性以及长短期记忆循环神经网络，提出了一个框架，成功预测了未来基于文献的发现——即知识单元间的新兴联系。该问题被构建为一个动态监督链接预测任务，所提框架整合了一些新颖的节点与边级特征。特征构建过程中使用了从二部与单部网络计算的关键词时间重要性、基于谱系关系构建的关键词社群，以及时间引文计数的相对重要性。节点与边级特征均被输入LSTM网络，以预测带正标签与负标签的未连接关键词对的特征值并准确分类。高分类性能表明，这些特征在预测科学知识单元间的新兴联系与新兴趋势分析方面均具有支持作用。
引用
@article{arxiv.1907.09395,
title = {Mining Temporal Evolution of Knowledge Graph and Genealogical Features for Literature-based Discovery Prediction},
author = {Nazim Choudhury and Fahim Faisal and Matloob Khushi},
journal= {arXiv preprint arXiv:1907.09395},
year = {2019}
}