[论文解读] MatKG: The Largest Knowledge Graph in Materials Science -- Entities, Relations, and Link Prediction through Graph Representation Learning

Vineeth Venugopal, Sumit Pai+1 more|arXiv (Cornell University)|Oct 31, 2022

Machine Learning in Materials Science被引用 7

一句话总结

MatKG 是一个包含 80,000 个材料科学实体和 200 万个关系的知识图谱，通过 LLM 基础的命名实体识别（NER）与统计共现分析，从 400 万篇科学论文中自主构建而成。该知识图谱支持可扩展的知识检索、实体消歧以及链接预测，采用知识图嵌入（TransE，MRR=0.49）实现，成功发现新的材料-性质-应用关系，其中 47% 的 top 预测结果被归类为‘窄’语义匹配。

ABSTRACT

This paper introduces MatKG, a novel graph database of key concepts in material science spanning the traditional material-structure-property-processing paradigm. MatKG is autonomously generated through transformer-based, large language models and generates pseudo ontological schema through statistical co-occurrence mapping. At present, MatKG contains over 2 million unique relationship triples derived from 80,000 entities. This allows the curated analysis, querying, and visualization of materials knowledge at unique resolution and scale. Further, Knowledge Graph Embedding models are used to learn embedding representations of nodes in the graph which are used for downstream tasks such as link prediction and entity disambiguation. MatKG allows the rapid dissemination and assimilation of data when used as a knowledge base, while enabling the discovery of new relations when trained as an embedding model.

研究动机与目标

• 构建一个全面、大规模的知识图谱，整合材料科学中的核心概念——化学、结构、性质、应用、合成与表征，覆盖完整的材料范式。
• 克服传统数据存储与人工本体构建的局限，实现从科学文献中自主、可扩展的知识提取。
• 通过学习的知识图嵌入实现下游 AI 任务，如链接预测与实体消歧。
• 实现前所未有的规模与分辨率，支持对材料知识的全面、可查询的分析。
• 通过揭示文献中隐藏或隐含的关系，支持人工智能引导的材料设计、自动化合成与表征。

提出的方法

• 使用微调后的 MatBERT 模型进行命名实体识别（NER），从七种类别中提取 80,000 个唯一实体：材料（CHM）、性质（PRO）、应用（APL）、合成（SYN）、表征（CMT）、描述符（DSC）和对称性/相（SPL）。
• 通过实体对之间的统计共现关系推断关系，权重基于文本中的频率与距离计算，形成关系三元组 <主语, 谓词, 宾语>。
• 使用预设阈值过滤关系，生成 160,000 个高保真度链接，或保留所有加权关系，生成跨越 80,000 个实体的 200 万个三元组。
• 使用 TransE 模型进行知识图嵌入（KGE），维度为 150，通过 AmpliGraph 库在测试集上使用 MRR 及 hits@1,10,100 指标进行训练与评估。
• 通过嵌入向量相似度实现实体相似性与共指消解，支持对语义等价但词面不同的术语进行消歧。
• 通过训练好的 KGE 模型进行链接预测，推断现有实体之间的新、合理的关系，并通过 SKOS 语义层级（窄/广匹配）进行人工验证。

实验结果

研究问题

• RQ1 基于大语言模型的自主化流程是否能有效、规模化地从海量科学文献中提取并结构化材料科学知识？
• RQ2 从文献衍生关系中学习的知识图嵌入在材料科学中，能否实现准确的链接预测与实体消歧？
• RQ3 预测关系在真实材料情境下，与既定语义层级（如 SKOS 的窄/广关系）的对齐程度如何？
• RQ4 该知识图谱是否能够支持对材料结构-性质-加工-应用关系的全面、可查询的分析？
• RQ5 该知识图谱在发现训练数据中未明确陈述的新颖、合理材料应用或性质方面，具有何种实用价值？

主要发现

• MatKG 包含超过 200 万个源自 80,000 个唯一实体的关系三元组，构成一个双向、异构的知识图谱，覆盖材料科学所有核心领域。
• TransE 模型在测试集上取得最高的 MRR（0.49），确立其作为链接预测与实体消歧等下游任务的最优 KGE。
• 模型预测的 top 三名关系中，47% 被归类为‘窄’语义匹配（SKOS），表明其与既定本体关系高度一致。
• 29% 的预测结果为‘广’匹配，其余为‘其他’，表明模型捕捉了超越词面相似性的有意义语义关系。
• 基于嵌入的相似性分析揭示了语义收敛现象——例如，'qspr' 与 'quantitative structure property relationship' 的相似度得分为 0.90，表明二者在语义上被视为等价。
• 模型成功填充了如碲化铋等材料的原有空子图，通过链接预测为应用与表征子图注入了合理且有意义的新实体。