[论文解读] Building a PubMed knowledge graph

Jian Xu, Sunkyu Kim+13 more|arXiv (Cornell University)|May 8, 2020

Biomedical Text Mining and Ontologies参考文献 56被引用 9

一句话总结

本文通过整合来自 PubMed、NIH ExPORTER、ORCID 和 MapAffil 等多个来源的生物实体、作者消歧、资助数据及机构历史信息，构建了 PubMed 知识图谱（PKG）。利用 BioBERT 进行实体抽取并结合先进的消歧技术，PKG 在作者姓名消歧任务中达到了 98.09% 的 F1 分数，显著优于先前模型在生物实体识别方面的表现。

ABSTRACT

PubMed is an essential resource for the medical domain, but useful concepts are either difficult to extract or are ambiguated, which has significantly hindered knowledge discovery. To address this issue, we constructed a PubMed knowledge graph (PKG) by extracting bio-entities from 29 million PubMed abstracts, disambiguating author names, integrating funding data through the National Institutes of Health (NIH) ExPORTER, collecting affiliation history and educational background of authors from ORCID, and identifying fine-grained affiliation data from MapAffil. Through the integration of the credible multi-source data, we could create connections among the bio-entities, authors, articles, affiliations, and funding. Data validation revealed that the BioBERT deep learning method of bio-entity extraction significantly outperformed the state-of-the-art models based on the F1 score (by 0.51%), with the author name disambiguation (AND) achieving a F1 score of 98.09%. PKG can trigger broader innovations, not only enabling us to measure scholarly impact, knowledge usage, and knowledge transfer, but also assisting us in profiling authors and organizations based on their connections with bio-entities. The PKG is freely available on Figshare (https://figshare.com/s/6327a55355fc2c99f3a2, simplified version that exclude PubMed raw data) and TACC website (http://er.tacc.utexas.edu/datasets/ped, full version).

研究动机与目标

• 解决从 PubMed 摘要中提取并消歧生物医学概念的挑战。
• 将多源数据——包括生物实体、作者姓名、资助信息、机构关系及教育背景——整合为统一的知识图谱。
• 在生物实体抽取与作者姓名消歧方面，实现超越当前最先进模型的准确性。
• 支持学者影响力评估、知识转移分析以及作者与机构的画像构建等新功能。
• 提供一个免费可访问的综合性资源，用于生物医学研究与知识发现。

提出的方法

• 使用 BioBERT 深度学习模型从 2900 万篇 PubMed 摘要中抽取生物实体。
• 应用多阶段消歧处理流程以解决作者姓名歧义，实现高精度与高召回率。
• 从 NIH ExPORTER 数据库整合资助信息，实现资助项目与文献及作者的关联。
• 从 ORCID 和 MapAffil 收集并结构化作者的机构历史与教育背景信息。
• 将所有数据源整合为统一的知识图谱，建立生物实体、作者、文献、机构与资助之间的语义关系。
• 通过基准数据集验证知识图谱，并与现有模型进行 F1 分数对比。

实验结果

研究问题

• RQ1 基于深度学习的生物实体抽取方法是否能在生物医学文本中超越现有最先进模型？
• RQ2 利用整合的多源数据，作者姓名消歧的性能可提升至何种程度？
• RQ3 知识图谱在多大程度上能将多样化的生物医学数据源整合为连贯且可查询的结构？
• RQ4 当结合 PubMed、ORCID 和 NIH 数据时，实体抽取与消歧的性能提升程度如何？
• RQ5 所构建的知识图谱在多大程度上可支持学者影响力分析与知识转移研究？

主要发现

• 基于 BioBERT 的生物实体抽取方法在 F1 分数上比最先进模型高出 0.51%。
• 作者姓名消歧达到 98.09% 的高 F1 分数，展现出在解决作者身份歧义方面的强大性能。
• 通过整合多源数据——包括 NIH 资助信息、ORCID 机构信息与 MapAffil 数据——实现了丰富且语义连贯的知识图谱关系。
• PubMed 知识图谱（PKG）支持新的分析能力，包括学者影响力衡量、知识使用分析以及机构间知识转移研究。
• PKG 以两种版本公开提供：Figshare 上的简化版本与 TACC 网站上的完整版本。
• 数据验证确认了知识图谱构建流程在大规模生物医学文献中的可靠性与可扩展性。