[论文解读] Mapping knowledge with ontologies: the case of obesity

Montserrat Estañol, Francesco Masucci+2 more|arXiv (Cornell University)|Dec 4, 2017

Biomedical Text Mining and Ontologies被引用 1

一句话总结

本文提出一种基于本体的途径，通过将形式化的领域专家知识整合到算法主题建模中，以增强针对肥胖等社会挑战的科学制图。基于包含155个概念和48个关系的肥胖OWL本体，本研究展示了如何通过逻辑约束和语义关系来组织科学知识，从而实现比纯算法方法更准确、更可解释且与专家观点一致的科学制图。

ABSTRACT

Scientometric techniques have been remarkably successful at mapping science but they face important difficulties when mapping research for societal problems possibly because they they are derived only from scientific documents and thus do not rely on non-academic expert knowledge. Here we aim to explore how ontologies can be used in science mapping, thus enriching current algorithmic techniques with systematic domain expert knowledge. This study introduces the methodology behind the construction of an ontology and tests potential uses in science mapping. We use obesity as a topic of case study.

研究动机与目标

• 解决纯文献计量科学制图缺乏与专家知识对比验证的局限性。
• 构建一个全面、形式化的肥胖本体，整合医学、营养学、行为学和环境学视角。
• 探索本体如何通过提供逻辑约束、语义标注和知识增强聚类来改进科学制图。
• 将无监督主题建模（如LDA）与基于本体作为约束框架的知识增强主题建模进行比较。
• 创建一个可重用、可扩展的本体，支持健康研究领域之间的语义推理和互操作性。

提出的方法

• 使用形式逻辑构建了基于OWL 2.0的本体，以表示肥胖领域中的155个概念和48个关系。
• 为对象属性（如“canBeTreated”、“medCondMayLeadToMedCond”）定义了域和范围约束，以确保语义一致性。
• 对关系应用了非自反性公理，以防止自指关系（例如，疾病不能导致自身）。
• 使用不相交并集公理确保治疗类型（如饮食、药物、疗法）之间的互斥性。
• 将本体与主题建模技术（如LDA）集成，以指导和约束主题分类。
• 将本体可视化为网络图，以识别相关概念的聚类（如代谢、行为、共病状况）。

实验结果

研究问题

• RQ1 编码在本体中的领域专家知识是否能够提升针对肥胖等社会问题的科学制图的准确性和可解释性？
• RQ2 与纯算法方法相比，本体增强的主题建模结果在科学文献分类上有哪些差异？
• RQ3 本体中的逻辑约束在多大程度上能够减少噪声并提高主题聚类的一致性？
• RQ4 本体能否作为科学制图中聚类标签和验证的语义参考框架？
• RQ5 专家验证的肥胖观点与仅基于书目数据推导出的观点相比有何异同？

主要发现

• 构建的肥胖本体包含155个不同的概念和48个关系，涵盖肥胖的医学、营养学、行为学和环境学维度。
• 所有对象属性均成功应用了域和范围约束，确保了“canBeTreated”和“medCondMayLeadToMedCond”等关系的逻辑一致性。
• 对“medCondMayLeadToMedCond”等关系强制执行了非自反性，防止自因关系，提升了逻辑有效性。
• 不相交并集公理确保了治疗类型（如饮食、药物）之间的互斥性，更符合临床现实。
• 初步可视化揭示了明显的概念聚类——如代谢通路、共病疾病、行为与环境诱因——支持了可解释性。
• 本体提供了一个正式的、机器可处理的框架，支持与推理工具的集成，并为未来知识增强的主题建模奠定基础。