[論文レビュー] COVID-19 Knowledge Graph: Accelerating Information Retrieval and Discovery for Scientific Literature

Colby Wise, Vassilis N. Ioannidis+7 more|arXiv (Cornell University)|Jul 24, 2020

Biomedical Text Mining and Ontologies被引用数 14

ひとこと要約

本稿では、科学文献からの意味的、生物医学的エンティティおよびトポロジカル関係を統合する異種知識グラフ（CKG）を紹介する。SciBERT埋め込みと知識グラフ埋め込み（KGE/RGCN）を組み合わせることで、ハイブリッド類似性エンジンを実現し、論文推薦の質を著しく向上させた。citationを含めた場合、KGEと比較してトップ5の引用重複率が29.11%に達した。

ABSTRACT

The coronavirus disease (COVID-19) has claimed the lives of over 350,000 people and infected more than 6 million people worldwide. Several search engines have surfaced to provide researchers with additional tools to find and retrieve information from the rapidly growing corpora on COVID-19. These engines lack extraction and visualization tools necessary to retrieve and interpret complex relations inherent to scientific literature. Moreover, because these engines mainly rely upon semantic information, their ability to capture complex global relationships across documents is limited, which reduces the quality of similarity-based article recommendations for users. In this work, we present the COVID-19 Knowledge Graph (CKG), a heterogeneous graph for extracting and visualizing complex relationships between COVID-19 scientific articles. The CKG combines semantic information with document topological information for the application of similar document retrieval. The CKG is constructed using the latent schema of the data, and then enriched with biomedical entity information extracted from the unstructured text of articles using scalable AWS technologies to form relations in the graph. Finally, we propose a document similarity engine that leverages low-dimensional graph embeddings from the CKG with semantic embeddings for similar article retrieval. Analysis demonstrates the quality of relationships in the CKG and shows that it can be used to uncover meaningful information in COVID-19 scientific articles. The CKG helps power www.cord19.aws and is publicly available.

研究の動機と目的

• COVID-19関連の科学的論文間の複雑で多面的な関係を捉えることができない既存の検索エンジンの限界を克服すること。
• CORD-19データセットから抽出した意味的、生物医学的、トポロジカル情報を統合した包括的で公開可能な知識グラフ（CKG）を構築すること。
• 意味的埋め込みとグラフベースの埋め込みを融合したハイブリッド文書類似性エンジンを開発し、論文検索および推薦の質を向上させること。
• トピック整合性、リンク予測、埋め込み可視化を用いてCKG内の関係の品質を検証すること。
• 研究者がCord19.awsプラットフォームを通じてスケーラブルかつクラウドデプロイ可能な形でCKGにアクセスできるようにすること。

提案手法

• CORD-19オープン研究データセットを用いてCKGを構築し、構造化されたメタデータからエンティティ（論文、著者、機関、引用）と関係を統合する。
• Amazon Comprehend Medicalを用いて生物医学的エンティティと関係を抽出し、ノイズと重複を低減するためのデータ正規化を適用する。
• 論文本文に対してトピックモデルを学習し、要約の高レベルなトピックを推定し、トピックベースの関係をグラフに追加する。
• KGEおよびRGCNモデルを用いて知識グラフ埋め込みを生成し、CKG内のトポロジカル構造と関係パターンを捉える。
• SciBERTを用いて意味的埋め込みを生成し、論文の自然言語コンテンツを符号化する。
• 意味的埋め込みとグラフ埋め込みを重み付き統合戦略で統合し、ハイブリッド文書類似性エンジンを駆動させ、トップ-kの論文推薦を実現する。

実験結果

リサーチクエスチョン

• RQ1 CKGは、科学文献における複雑でマルチモーダルな関係（意味的、生物医学的、引用ベース）を効果的に捉え、表現できるか？
• RQ2 CKGから抽出されたトピックは、実際の学術ジャーナルの主題とどの程度整合しているか？
• RQ3 意味的埋め込みに比べ、グラフベースの埋め込み（KGE/RGCN）がどの程度論文類似性予測を向上させるか？
• RQ4 意味的埋め込みとグラフ埋め込みの統合は、引用ベースの関連性と比較して推薦の質と重複率をどの程度向上させるか？
• RQ5 推薦の人気度の分布はどのようなものか？これは現実の研究の関連性を反映しているか？

主な発見

• CKGには336,887のエンティティと3,332,151の関係が含まれており、トピック整合性とリンク予測による検証で高品質な関係が確認された。
• テキストからのトピック抽出はジャーナルの主題と強く整合しており、CKGがテーマ構造を的確に捉えていることを裏付けている。
• 引用を含むKGEでは、トップ5の引用重複率が29.11%に達し、RGCN（8.96%）や意味的埋め込みのみの手法を著しく上回った。
• 意味的埋め込みとKGE埋め込みの組み合わせにより、KGEとの交差率（IoU）が46.3%に達し、意味的類似性とトポロジカル類似性の間で強い一貫性があることが示された。
• 特徴値を削減したSVDによる埋め込み可視化により、関連するトピック（例：ウイルス学とワクチン免疫学）が密にクラスタリングしていることが確認され、期待される科学的関係が反映されていることが示された。
• 人気度分析の結果、パワーロウの分布が確認され、KGEを用いたトップ5推薦で707本の論文が20回以上、意味的埋め込みを用いた場合で912本の論文が20回以上登場した。これは、推薦の安定性が非常に高いことを示している。