[论文解读] 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 14

一句话总结

本文介绍了COVID-19知识图谱（CKG），一种异构知识图谱，整合了科学文献中的语义、生物医学实体及拓扑关系，以增强信息检索。通过结合SciBERT嵌入与知识图谱嵌入（KGE/RGCN），CKG实现了混合相似性引擎，显著提升了文献推荐质量，在包含引用的情况下，Top-5引用重叠率达到29.11%（使用KGE时）。

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.

研究动机与目标

• 解决现有搜索引擎在捕捉COVID-19科学文献中复杂、多维度关系方面的局限性。
• 构建一个全面且公开可用的知识图谱（CKG），整合来自CORD-19数据集的语义、生物医学及拓扑信息。
• 开发一种融合语义嵌入与基于图的嵌入的混合文档相似性引擎，以提升文献检索与推荐效果。
• 通过主题对齐、链接预测与嵌入可视化，验证CKG中关系的质量。
• 通过CORD19.aws平台实现CKG的可扩展、云部署访问，供研究人员使用。

提出的方法

• 使用CORD-19开放研究数据集构建CKG，整合来自结构化元数据的实体（文献、作者、机构、引用）与关系。
• 利用Amazon Comprehend Medical提取生物医学实体及其关系，并通过数据标准化减少噪声与重复项。
• 在文献文本上训练主题模型，推断高层次的摘要主题，并通过主题关系丰富图谱。
• 使用KGE与RGCN模型生成知识图谱嵌入，以捕捉CKG中的拓扑结构与关系模式。
• 使用SciBERT生成语义嵌入，以编码文献的自然语言内容。
• 通过加权融合策略结合语义嵌入与图嵌入，驱动混合文档相似性引擎，实现Top-k文献推荐。

实验结果

研究问题

• RQ1 CKG能否有效捕捉并表示科学文献中复杂的多模态关系（语义、生物医学、引用基础）？
• RQ2 从CKG中提取的主题与实际科学期刊主题及文献内容的对齐程度如何？
• RQ3 与仅使用语义嵌入相比，基于图的嵌入（KGE/RGCN）在文献相似性预测方面提升了多少？
• RQ4 语义嵌入与图嵌入的融合在多大程度上提升了推荐质量与引用相关性重叠？
• RQ5 推荐流行度的分布如何？是否反映了现实世界的研究相关性？

主要发现

• CKG包含336,887个实体与3,332,151条关系，高质量关系通过主题对齐与链接预测得到验证。
• 从文本中提取的主题与期刊主题高度一致，证实了CKG捕捉主题结构的能力。
• 使用引用信息的KGE在Top-5引用重叠率上达到29.11%，显著优于RGCN（8.96%）与仅使用语义的方法。
• 语义嵌入与KGE嵌入的结合在IOU（交并比）上达到46.3%，表明语义与拓扑相似性之间存在强共识。
• 通过截断SVD进行的嵌入可视化显示，相关主题（如病毒学与疫苗免疫学）聚集紧密，反映了预期的科学关系。
• 流行度分析显示幂律分布特征，其中20次以上出现在Top-5推荐中的文献达707篇（使用KGE）与912篇（使用语义嵌入），表明推荐具有高度稳定性。