RELATE：利用 LLM 与本体约束进行生物医学摘要中的关系抽取
信息检索
2025-12-01 v2
摘要
生物医学知识图谱（KG）对于药物发现和临床决策支持至关重要，但目前仍不完整。大型语言模型（LLM）擅长抽取生物医学关系，但其输出缺乏标准化以及与本体的对齐，限制了 KG 的整合。我们引入了 RELATE，一个三阶段流水线，使用 ChemProt 和 Biolink Model 将 LLM 抽取的关系映射到标准化的本体谓词。该流水线包括：（1）带有谓词嵌入的本体预处理，（2）使用 SapBERT 增强的基于相似度的检索，以及（3）带有显式否定处理的基于 LLM 的重排序。该方法将关系抽取从自由文本输出转化为结构化的、受本体约束的表示。在 ChemProt 基准上，RELATE 实现了 52% 的精确匹配和 94% 的 accuracy@10；在 2,400 篇 HEAL Project 摘要中，它有效地拒绝了不相关的关联（0.4%）并识别了否定断言。RELATE 捕获了细微的生物医学关系，同时确保了 KG 增强的质量。通过将向量搜索与上下文 LLM 推理相结合，RELATE 为将非结构化生物医学文献转化为标准化 KG 提供了一个可扩展、语义准确的框架。
引用
@article{arxiv.2509.19057,
title = {RELATE: Relation Extraction in Biomedical Abstracts with LLMs and Ontology Constraints},
author = {Olawumi Olasunkanmi and Mathew Satusky and Hong Yi and Chris Bizon and Harlin Lee and Stanley Ahalt},
journal= {arXiv preprint arXiv:2509.19057},
year = {2025}
}