[논문 리뷰] COVID-19 Knowledge Graph: Accelerating Information Retrieval and Discovery for Scientific Literature

Colby Wise, Vassilis N. Ioannidis외 7명|arXiv (Cornell University)|2020. 07. 24.

Biomedical Text Mining and Ontologies인용 수 14

한 줄 요약

이 논문은 과학적 문헌에서 의미적, 생물의학적 실체 및 위상적 관계를 통합하여 정보 검색을 향상시키는 이질적 지식 그래프인 코로나19 지식 그래프(CKG)를 소개한다. SciBERT 임베딩과 지식 그래프 임베딩(KGE/RGCN)을 결합함으로써 하이브리드 유사도 엔진을 구현하여 논문 추천 품질을 크게 향상시켰으며, 인용을 포함한 경우 KGE와 비교해 상위 5개의 인용 겹침 비율이 29.11%에 이를 정도로 뛰어난 성능을 기록했다.

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.

연구 동기 및 목표

• 기존 검색 엔진이 코로나19에 관한 과학 논문 간 복잡하고 다면적인 관계를 포괄하지 못하는 한계를 해결하기 위해.
• CORD-19 데이터셋에서 유의미한, 생물의학적 실체 및 위상 정보를 통합한 포괄적이고 공개 가능한 지식 그래프(CKG)를 구축하기 위해.
• 의미적 임베딩과 그래프 기반 임베딩을 융합한 하이브리드 문서 유사도 엔진을 개발하여 논문 검색 및 추천 품질을 향상시키기 위해.
• 주제 일치, 링크 예측 및 임베딩 시각화를 통해 CKG 내 관계의 품질을 검증하기 위해.
• 연구자들이 CORD19.aws 플랫폼에서 클라우드 기반으로 확장 가능한 방식으로 CKG에 접근할 수 있도록 하기 위해.

제안 방법

• 구조화된 메타데이터에서 실체(논문, 저자, 소속 기관, 인용)와 관계를 통합하여 CORD-19 오픈 연구 데이터셋을 기반으로 CKG를 구축한다.
• Amazon Comprehend Medical을 사용해 생물의학적 실체와 관계를 추출하고, 노이즈와 중복을 줄이기 위해 데이터 정규화를 적용한다.
• 논문 텍스트에 주제 모델을 훈련시켜 고수준의 개요 주제를 추론하고 그래프에 주제 기반 관계를 추가한다.
• KGE 및 RGCN 모델을 사용해 지식 그래프 임베딩을 생성하여 CKG 내 위상적 구조와 관계 패턴을 포착한다.
• SciBERT를 사용해 논문의 자연어 콘텐츠를 인코딩하기 위해 의미적 임베딩을 생성한다.
• 가중치 기반 융합 전략을 통해 의미적 임베딩과 그래프 임베딩을 융합하여 하이브리드 문서 유사도 엔진을 구동하고, 상위-k 논문 추천을 수행한다.

실험 결과

연구 질문

• RQ1 CKG는 과학 문헌 내 복잡하고 다중 모odal 관계(의미적, 생물의학적, 인용 기반)를 효과적으로 포착하고 표현할 수 있는가?
• RQ2 CKG에서 추출한 주제는 실제 과학 저널의 주제와 논문 콘텐츠와 얼마나 잘 일치하는가?
• RQ3 의미적 임베딩만 사용하는 것에 비해 그래프 기반 임베딩(KGE/RGCN)이 문서 유사도 예측 성능을 얼마나 향상시키는가?
• RQ4 의미적 임베딩과 그래프 임베딩의 융합이 추천 품질과 인용 기반 관련성 겹침을 얼마나 향상시키는가?
• RQ5 추천 인기도의 분포는 어떻게 되며, 이는 실제 연구 관련성과 일치하는가?

주요 결과

• CKG는 336,887개의 실체와 3,332,151개의 관계를 포함하며, 주제 일치 및 링크 예측를 통해 높은 품질의 관계가 검증되었다.
• 텍스트에서 추출한 주제는 저널 주제와 강한 일치를 보이며, CKG가 주제적 구조를 잘 포착하고 있음을 확인한다.
• 인용 정보를 포함한 KGE는 상위 5개 인용 겹침 비율이 29.11%를 기록하여 RGCN(8.96%) 및 의미적 단독 방법보다 뚜렷이 뛰어나다.
• 의미적 임베딩과 KGE 임베딩의 조합은 KGE와 46.3%의 교차합집합을 기록하여 의미적 유사도와 위상적 유사도 간 강력한 일치를 보여준다.
• 단순화된 SVD를 활용한 임베딩 시각화 결과, 바이러스학 및 백신 항체 면역학 등 관련 주제들이 밀집해 있음을 확인했으며, 기대되는 과학적 관계를 반영하고 있다.
• 인기도 분석 결과, 707편의 논문이 KGE 기반으로 상위 5개 추천에 20회 이상 등장했고, 의미적 임베딩 기반으로는 912편이 동일 조건을 충족하여 강력한 추천 안정성을 보였다.