論文の概要: Question Answering Over Biological Knowledge Graph via Amazon Alexa
- arxiv url: http://arxiv.org/abs/2210.06040v1
- Date: Wed, 12 Oct 2022 09:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:50:24.675946
- Title: Question Answering Over Biological Knowledge Graph via Amazon Alexa
- Title（参考訳）: Amazon Alexaによる生物学的知識グラフに関する質問
- Authors: Md. Rezaul Karim and Hussain Ali and Prinon Das and Mohamed Abdelwaheb
and Stefan Decker
- Abstract要約: 本稿では、知識グラフ(KG)を用いたQAのためのAmazon Alexaの音声対応インターフェースについて述べる。
概念実証として、よく知られたDisgeNET KGを使用し、113万件の遺伝子消失関連を網羅した知識を含む。
我々の研究は、アレックスが大規模な知識ベースから特定の生物学的実体の事実を見つけるのにどのように役立つかを示している。
- 参考スコア（独自算出の注目度）: 0.4462334751640166
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structured and unstructured data and facts about drugs, genes, protein,
viruses, and their mechanism are spread across a huge number of scientific
articles. These articles are a large-scale knowledge source and can have a huge
impact on disseminating knowledge about the mechanisms of certain biological
processes. A knowledge graph (KG) can be constructed by integrating such facts
and data and be used for data integration, exploration, and federated queries.
However, exploration and querying large-scale KGs is tedious for certain groups
of users due to a lack of knowledge about underlying data assets or semantic
technologies. A question-answering (QA) system allows the answer of natural
language questions over KGs automatically using triples contained in a KG.
Recently, the use and adaption of digital assistants are getting wider owing to
their capability at enabling users to voice commands to control smart systems
or devices. This paper is about using Amazon Alexa's voice-enabled interface
for QA over KGs. As a proof-of-concept, we use the well-known DisgeNET KG,
which contains knowledge covering 1.13 million gene-disease associations
between 21,671 genes and 30,170 diseases, disorders, and clinical or abnormal
human phenotypes. Our study shows how Alex could be of help to find facts about
certain biological entities from large-scale knowledge bases.
- Abstract（参考訳）: 薬物、遺伝子、タンパク質、ウイルス、およびそれらのメカニズムに関する構造的および非構造的なデータや事実は、膨大な数の科学論文に散らばっている。
これらの論文は大規模知識源であり、特定の生物学的プロセスのメカニズムに関する知識の普及に大きな影響を与える可能性がある。
知識グラフ(KG)は、そのような事実とデータを統合して構築することができ、データ統合、探索、フェデレーションクエリに使用される。
しかし、データ資産やセマンティック技術に関する知識が不足しているため、大規模なKGの探索とクエリは一部のユーザにとって面倒である。
質問答えシステム(QA)は、KGに含まれる三つ組を自動で使用することで、自然言語による質問に対する回答を可能にする。
近年,スマートシステムやデバイスを音声コマンドで制御する能力によって,デジタルアシスタントの利用と適応が拡大している。
この記事では、Amazon Alexaの音声対応インターフェースをKG上のQAに使用することについて述べる。
概念実証として、よく知られたDisgeNET KGを使用し、21,671遺伝子と30,170の疾患、疾患、臨床または異常なヒトの表現型の間の113万の遺伝子消失関連に関する知識を含む。
我々の研究は、アレックスが大規模な知識ベースから特定の生物学的実体の事実を見つけるのにどのように役立つかを示している。
関連論文リスト
- BioKGBench: A Knowledge Graph Checking Benchmark of AI Agent for Biomedical Science [43.624608816218505]
BioKGBenchはAI駆動型バイオメディカルエージェントの評価ベンチマークである。
私たちはまず『Understanding Literature』を2つの原子能力に分解した。
次に、KGQAとドメインベースのRetrieval-Augmented Generationを用いて、KGCheckと呼ばれる新しいエージェントタスクを定式化する。
2つのアトミックなタスクに対して2万以上のデータを集め、225の高品質なアノテートされたデータをエージェントタスクに対して収集する。
論文 参考訳（メタデータ） (2024-06-29T15:23:28Z) - EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
引用ベースのQAシステムは2つの欠点に悩まされている。
彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。
システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
論文 参考訳（メタデータ） (2024-06-14T19:40:38Z) - From Large Language Models to Knowledge Graphs for Biomarker Discovery
in Cancer [0.9437165725355702]
人工知能(AI)の難しいシナリオは、バイオメディカルデータを使用して、がんの病態の診断と治療のレコメンデーションを提供することである。
大規模知識グラフ(KG)は、意味的相互関連エンティティや関係に関する事実の統合と抽出によって構築することができる。
本稿では,癌特異的バイオマーカー発見と対話型QAを活用するドメインKGを開発する。
論文 参考訳（メタデータ） (2023-10-12T14:36:13Z) - FactKG: Fact Verification via Reasoning on Knowledge Graphs [12.5437408722802]
我々は、知識グラフの推論によるFact Verificationという新しいデータセットを紹介した。
1-hop, Conjunction, Existence, Multi-hop, Negationの5種類の推論を持つ108kの自然言語クレームで構成されている。
本稿では,FactKGをベースラインとして解析する手法を提案する。
論文 参考訳（メタデータ） (2023-05-11T06:08:49Z) - A Biomedical Knowledge Graph for Biomarker Discovery in Cancer [1.7860709946876898]
ドメイン固有知識グラフ(ドメイン特化知識グラフ、英: Domain-specific knowledge graph、KG)は、特定の主語・母語領域の明示的な概念化である。
KGは、がん関連の知識と複数のソースからの事実を統合することで構築される。
我々は、いくつかのクエリといくつかのQAの例を列挙し、KGに基づいた知識を導出する。
論文 参考訳（メタデータ） (2023-02-09T16:17:57Z) - Biomedical Multi-hop Question Answering Using Knowledge Graph Embeddings
and Language Models [0.0]
我々は,バイオメディカルなマルチホップ質問応答システムをテストするために,自然言語を用いたマルチホップバイオメディカル質問応答データセットを開発した。
この研究の主な貢献は、言語モデルとKG埋め込みを組み合わせた統合システムであり、自由形式の質問に非常に関連性の高い回答を与える。
論文 参考訳（メタデータ） (2022-11-10T05:43:57Z) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳（メタデータ） (2022-06-28T19:46:29Z) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-06-17T17:55:33Z) - Language Models are Open Knowledge Graphs [75.48081086368606]
近年の深層言語モデルは,事前学習を通じて大規模コーパスから知識を自動取得する。
本稿では,言語モデルに含まれる知識をKGにキャストするための教師なし手法を提案する。
KGは、コーパス上の(微調整なしで)事前訓練された言語モデルの1つの前方パスで構築されていることを示す。
論文 参考訳（メタデータ） (2020-10-22T18:01:56Z) - AutoKnow: Self-Driving Knowledge Collection for Products of Thousands of
Types [127.99385433323859]
当社のAutoKnowは、製品に関する情報の整理に対処する自動(自動運転)システムです。
このシステムには、分類学の構築、製品財産の識別、知識抽出、異常検出、同義語発見のための一連の新しい技術が含まれている。
AutoKnowは、1万以上の製品タイプの製品知識を収集している。
論文 参考訳（メタデータ） (2020-06-24T04:35:17Z) - Connecting the Dots: A Knowledgeable Path Generator for Commonsense
Question Answering [50.72473345911147]
本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。
KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
論文 参考訳（メタデータ） (2020-05-02T03:53:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。